【技术实现步骤摘要】
一种基于边缘强化的显著性检测方法
[0001]本专利技术属于图像处理
,具体涉及一种基于边缘强化的显著性检测方法。
技术介绍
[0002]显著性检测作为一种图像预处理方法,通过实现图像中显著性物体的检测,降低图像处理的复杂度,提升图像处理算法的运行效率,因而具有广泛的应用空间和发展前景。在自动驾驶领域中,可以通过显著性检测对道路图像进行预处理,使得目标检测算法优先识别显著性区域,以提升显著性区域目标在自动驾驶系统中处理的优先级,保证自动驾驶系统的安全性。传统的显著性检测方法主要借助颜色、纹理、中心先验等人工特征实现显著性目标的分割,这类方法存在着检测准确率低,鲁棒性差等问题,因此已经逐渐被深度学习的方法所取代。现有的基于深度学习的显著性检测模型大多采用基于编码
‑
解码结构的全卷积网络,通过端到端的模式完成显著性检测模型的训练。这些模型在利用解码器生成显著性检测图的时候,由于多次上采样,导致生成的显著性检测图准确率较差。
技术实现思路
[0003]本专利技术充分考虑了现有方法存在的缺点,其目的在于提供一种基于边缘强化的显著性检测方法,通过利用浅层特征信息,弥补解码结果缺失的细节信息,以提升显著性检测的准确率。
[0004]一、技术原理
[0005]目前基于卷积神经网络的显著性检测模型大多直接采用编码
‑
解码结构,模型的编码器通过堆叠重复的卷积层和池化层获取深层语义信息,解码器通过上采样层逐渐恢复图像的分辨率,得到最终的预测结果。由于卷积核感受野的 ...
【技术保护点】
【技术特征摘要】
1.一种基于边缘强化的显著性检测方法,其特征在于包括以下步骤:(1)获取数据集与检测标签:获取显著性检测公开数据集及对应的检测标签;(2)构建检测模型,该模型由特征提取器、解码器DE
‑
1和DE
‑
2、边缘强化模块ER
‑
1和ER
‑
2、整体注意力模块HA构成,具体构建过程包括以下步骤:(2
‑
a)构建特征提取器,以ResNet
‑
50作为特征提取器的基础网络;所构建的特征提取器共分五层:第一层,即Res1,由单层卷积模块构成;第二层,即Res2,由一个池化层和三层残差模块构成;第三层,即Res3,由四层残差模块构成;第四层包括Res4
‑
1和Res4
‑
2,二者拥有相同的结构,都由六层残差模块构成,第五层包括Res5
‑
1和Res5
‑
2,二者也拥有相同的结构,都由三层残差模块构成;第四层和第五层为双分支结构,其中第四层的Res4
‑
1和第五层的Res5
‑
1串联构成第一个分支,第四层的Res4
‑
2和第五层的Res5
‑
2串联构成第二个分支;输入图像经过Res1处理,获得三维特征图f
1_1
、f
1_2
和f
1_3
,且f
1_1
=f
1_2
=f
1_3
;f
1_3
输入Res2获得三维特征图f
2_1
、f
2_2
和f
2_3
,且f
2_1
=f
2_2
=f
2_3
;f
2_3
输入Res3获得三维特征图f
3_1
、f
3_2
和f
3_3
,且f
3_1
=f
3_2
=f
3_3
;f
3_3
依次经过第一个分支的Res4
‑
1和Res5
‑
1处理后分别获得三维特征图f
4_1
和f
5_1
;f
3_3
与整体注意力模块HA的输出结果通过逐像素相乘实现加权,加权结果依次经过第二个分支的Res4
‑
2和Res5
‑
2处理后分别获得三维特征图f
4_2
和f
5_2
;HA由单层卷积构成,它以解码器DE
‑
1的输出结果作为输入;(2
‑
b)构建解码器DE
‑
n,该解码器由长依赖模块LRDM、感受野模块RFB、卷积上采样模块CU1、CU2、CU3,上采样模块Up和拼接层构成;将步骤(2
‑
a)获取的三维特征图f
2_n
、f
3_n
、f
4_n
和f
5_n
分别作为解码器DE
‑
n的输入1、输入2、输入3和输入4,n=1,2;f
i_n
依次经过LRDM与RFB处理后得到其中i=2,3,4,5;经过Up处理后,与一起输入到拼接层1,得到中间特征图特征图经过CU1处理后,与一起输入到拼接层2,得到中间特征图一起输入到拼接层2,得到中间特征图经过CU2处理后,与一起输入到拼接层3,得到中间特征图一起输入到拼接层3,得到中间特征图经过CU3处理得到特征图map_n,即为解码器DE
‑
n的输出结果;该步骤中的长依赖模块LRDM构建如下:以步骤(2
‑
a)获得的特征图f
i_n
作为输入,经该模块的通道维度自适应均值池化层处理并进行特征展开后,获得一维特征,将一维特征输入全连接层后,经过激活函数与特征逆展开处理,再与特征图f
i_n
进行逐像素...
【专利技术属性】
技术研发人员:赵旭,王辉,陈恋,李智勇,
申请(专利权)人:湖南信控摩尔科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。