【技术实现步骤摘要】
一种基于RGB
‑
D多通道信息融合的显著性检测方法
[0001]本专利技术涉及显著性检测
，尤其涉及一种基于RGB
‑
D多通道信息融合的显著性检测方法。
技术介绍
[0002]人眼看事物，首先要通过对眼前所有事物进行捕捉和记忆，然后把信息传到大脑进行对事物的理解，显著性检测研究人类知觉和对复杂的环境信息的加工，场景包括背景和物体俩个重要组成部分。
[0003]显著性检测，即根据场景图像中包含背景和物体俩部分，显著性检测是要将背景和物体分开来，更加注意到物体，忽略背景，从而可快速定位图像场景中的重要区域。
[0004]从20世纪起，通过对眼动、心理学、神经科学等领域进行研究，学术界对人类视觉的认知逐渐趋于成熟，肉眼识别场景是大自然赋予人类与生俱来的天赋，无需刻意练习，而利用计算机完成对场景重要区域的提取，却是一项难度极高的挑战，因此，基于人们对人类视觉的研究，科学界开始利用计算机模拟视觉和脑部机制的算法和模型。
[0005]随着深度学习的快速发展，基于深度学习的...
【技术保护点】
【技术特征摘要】
1.一种基于RGB
‑
D多通道信息融合的显著性检测方法，其特征在于，包括以下步骤：步骤一：获取训练模型数据集，对获取的数据集进行分级处理，使数据集中包含成对的彩色图像和深度图像以及其对应的显著性图像；步骤二：通过对获取的数据集中的图片进行随机水平移动、随机旋转和缩放的预处理，来对数据集进行数据增强；步骤三：将数据增强后的数据集中的彩色模态图和深度模态图同时输入网络，对网络进行端到端的训练；步骤四：通过编码器网络提取彩色模态图的特征，得到彩色模态图特征，通过编码器网络提取深度模态图的特征，得到深度模态图特征；步骤五：选取彩色模态图特征和其对应的深度模态图特征中由编码器网络提取的后两层输出特征，输入到RGB
‑
D融合网络并拼接，实现网络的跨模态特征融合，得到RGB
‑
D融合网络特征；步骤六：将提取的彩色模态图特征、深度模态图特征以及RGB
‑
D融合网络特征分别输入到解码器进行解码，得到三个特征下的显著性预测数据；步骤七：将解码器解码得到的三个特征下的显著性预测数据进行聚合，生成显著性检测结果。2.根据权利要求1所述的一种基于RGB
‑
D多通道信息融合的显著性检测方法，其特征在于：所述步骤一中，获取的数据集为公开数据集COM15k，所述公开数据集COME15K包含15625个图像对，并提供二值注释、实例及注释。3.根据权利要求1所述的一种基于RGB
‑
D多通道信息融合的显著性检测方法，其特征在于：所述步骤一中，分级处理后的数据集分为简单、容易、困难三个级别，训练模型时先用简单的数据集，再用容易的数据集，最后用困难的数据集。4.根据权利要求1所述的一种基于RGB
‑
D多通...
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。