一种基于动态融合的深度无监督显著目标检测方法和系统技术方案

本发明专利技术属于图像处理技术领域，具体涉及一种基于动态融合的深度无监督显著目标检测方法和系统，包括分别将待训练的图像输入到不同的传统手工方法和全卷积网络中，得到初始伪标签；不同的初始伪标签采用平均权重的方式进行融合，输出中间结果；将不同的初始伪标签和中间结果分别代入到距离函数再代入到softmax逻辑回归模型中得到不同的新的权重；将不同的新的权重与对应的不同的初始伪标签进行融合后，作为新的中间结果，再进行多次迭代，直至得到的中间结果趋于稳定，将最后一次迭代得到的中间结果作为最终伪标签。本发明专利技术能够提升最终伪标签的质量，对显著目标检测具有更好的完整性和一致性。和一致性。和一致性。

【技术实现步骤摘要】
一种基于动态融合的深度无监督显著目标检测方法和系统


[0001]本专利技术属于图像处理
，具体涉及一种基于动态融合的深度无监督显著目标检测方法和系统。

技术介绍

[0002]显著目标检测可以作为预处理步骤提升分割、图像融合、图像检索、图像识别等各种视觉任务的处理速度。显著目标检测的任务致力于模仿人类视觉识别出场景中最吸引人的区域或物体。
[0003]无监督的深度学习显著目标检测对标签的完全无依赖性。然而，现有的无监督的深度学习显著目标检测方法不能很好的挖掘多种传统手工方法伪标签间的一致性和互补性的问题，生成的伪标签的前景背景分割质量较低。

技术实现思路

[0004]本专利技术所要解决的技术问题是：现有无监督的深度学习显著目标检测方法生成的伪标签的前景背景分割质量较低。
[0005]本专利技术解决其技术问题所采用的技术方案是：一种基于动态融合的深度无监督显著目标检测方法，包括：
[0006]S1，分别将待训练的图像输入到不同的传统手工方法中得到不同的训练集的显著性线索；
[0007]S2，将待本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态融合的深度无监督显著目标检测方法，其特征在于，包括：S1，分别将待训练的图像输入到不同的传统手工方法中得到不同的训练集的显著性线索；S2，将待训练的图像输入到全卷积网络中，将不同的显著性线索分别输入到全卷积网络中进行监督，分别得到不同的显著性预测；S3，将不同的显著性预测作为新的不同的显著性线索，输入到步骤S2中进行多次迭代，得到不同的最终显著性预测结果作为不同的初始伪标签；S4，不同的初始伪标签采用平均权重的方式进行融合，输出中间结果；S5，将不同的初始伪标签和中间结果分别代入到距离函数中，输出多个结果；S6，将输出的多个结果代入到softmax逻辑回归模型中得到不同的新的权重；S7，将不同的新的权重与对应的不同的初始伪标签进行融合后，作为新的中间结果，输入到步骤S5和步骤S6中进行多次迭代，直至得到的中间结果趋于稳定，将最后一次迭代得到的中间结果作为最终伪标签。2.根据权利要求1所述的基于动态融合的深度无监督显著目标检测方法，其特征在于，S1中，所述不同的传统手工方法包括MC,HS,DSR,RBD四种算法。3.根据权利要求1所述的基于动态融合的深度无监督显著目标检测方法，其特征在于，S2中，所述全卷积网络用于提取图像中显著性特征，并去掉最后的全连接层用上采样层替代来生成显著性预测。4.根据权利要求1所述的基于动态融合的深度无监督显著目标检测方法，其特征在于，S2中，所述全卷积网络训练时，使用的误差函数L为：L＝1
‑
f
β
(p,pl)其中，L为损失函数值，f
β
(p,pl)为衡量p和pl的相似度。5.根据权利要求4所述的基于动态融合的深度无监督显著目标检测方法，其特征在于，所述f
β
(p,pl)为衡量p和pl的相似度，具体公式如下：其中，p为预测的显著性预测，pl为显著性线索，β为预设参数。6.根据权利要求1所述的基于动态融合的深度无监督显著目标检测方法，其特征在于，S5中，所述距离函数，具体公式如下：dis(x,y)＝
‑
ln(1

【专利技术属性】
技术研发人员：刘毅，董晓辉，蒋广琪，石林，徐守坤，
申请(专利权)人：常州大学，
类型：发明
国别省市：