一种基于多层非局部网络的视觉显著性检测方法及系统技术方案

本发明专利技术公开了一种基于多层非局部网络的视觉显著性检测方法及系统，获取待检测的图像数据集；将待检测的图像数据集输入到预先训练好的显著性检测模型，得到显著性图像集；所述预先训练好的显著性检测模型为以损失函数的最小值为目标进行训练得到的多层非局部网络模型。优点：本方法的多层非局部网络，扩大了模型的感受野。与循环操作的反复性形成对比，利用非局部模块可以直接通过计算任意两个像素之间的相互作用来捕捉长距离依赖关系，而不再受到两个像素的位置距离约束，提高了效率并且得到了更好的结果。在训练模型过程中，采用了由相对熵、标准化扫描路径显著性和结构相似性构成的损失函数，使训练得到的最优模型具有较好的全面性和普适性。好的全面性和普适性。好的全面性和普适性。

【技术实现步骤摘要】
一种基于多层非局部网络的视觉显著性检测方法及系统


[0001]本专利技术涉及一种基于多层非局部网络的视觉显著性检测方法及系统，属于图像处理中的显著性检测


技术介绍

[0002]人类视觉系统能迅速从图像中发现并关注感兴趣的内容，因此，人们开始着手研究了模拟人类视觉系统的视觉选择性注意机制，图像显著性检测技术也成为近些年的研究热点，在目标跟踪、导航、图像质量评价、人脸识别、视频优化编码等方面都有着极其重要的应用。
[0003]显著性检测旨在从输入图像上识别出最引人注目的对象，从1998年发展至今，以2014年为界，显著性目标检测大约可以划分为传统方法与深度学习方法两个时代。
[0004]过去二十年中，传统的显著性物体检测方法可依据使用视觉子集的种类或使用特征分为不同的两类：
①
使用基于块的视觉子集或基于区域的视觉子集；
②
只使用图像本身提供的内部线索或引入用户注释等外部线索。总的来说，传统方法使用大量的显著性先验信息进行图像显著性检测，主要依赖于手工制作的特征，而这些特征可能无法描述复杂本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多层非局部网络的视觉显著性检测方法，其特征在于，获取待检测的图像数据集；将待检测的图像数据集输入到预先训练好的显著性检测模型，得到显著性图像集；所述预先训练好的显著性检测模型为以损失函数的最小值为目标进行训练得到的多层非局部网络模型。2.根据权利要求1所述的基于多层非局部网络的视觉显著性检测方法，其特征在于，所述多层非局部网络模型为基于VGG16的架构的多层非局部神经网络。3.根据权利要求2所述的基于多层非局部网络的视觉显著性检测方法，其特征在于，所述基于VGG16的架构的多层非局部神经网络包括依次连接的输入层、编码器模块、多尺度特征模块、解码器模块和输出层；所述编码器模块包括依次连接的第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元和第五卷积单元；其中，第一卷积单元和第二卷积单元均由依次连接的两个卷积核为3
×
3的卷积层和一个最大池化层构成，第三卷积单元、第四卷积单元和第五卷积单元均由依次连接的三个卷积核为3
×
3的卷积层、一个最大池化层和一个非局部模块层构成；所述多尺度特征模块包括依次连接的第一卷积层、第二膨胀卷积层、第三膨胀卷积层、第四膨胀卷积层、均值层和第五卷积层；其中，第一卷积层是卷积核为1
×
1的卷积层，第二膨胀卷积层是卷积核为3
×
3、膨胀率为4的卷积层，第三膨胀卷积层是卷积核为3
×
3、膨胀率为8的卷积层，第四膨胀卷积层是卷积核为3
×
3、膨胀率为12的卷积层，第五卷积层是卷积核为1
×
1的卷积层，均值层的输入是第四膨胀卷积层的输出，在保证该输入大小不变的条件下，求得输入的均值，将其作为第五卷积层的输入；所述解码模块包括依次连接的第一反卷积单元、第二反卷积单元和第三反卷积单元；其中，第一反卷积单元、第二反卷积单元、第三反卷积单元均由一个上采样层和一个卷积核为3
×
3卷积层构成。4.根据权利要求1所述的基于多层非局部网络的视觉显著性检测方法，其特征在于，所述损失函数为：其中，N为数据集中图像的总个数，i表示第i个图像的下标，KL
i
、NSS
i
、SSIM
i
分别为第i个图像的相对熵、标准化扫描路径显著性和结构相似性。5.一种基于多层非局部网络的视觉显著性检测系统...

【专利技术属性】
技术研发人员：崔子冠，沈婷婷，王淑菲，张一帆，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：