一种基于仿生轻量级网络的轮廓检测方法技术

本发明专利技术旨在提供一种基于仿生轻量级网络的轮廓检测方法，包括以下步骤：

【技术实现步骤摘要】
一种基于仿生轻量级网络的轮廓检测方法


[0001]本专利技术涉及图像处理领域，具体涉及一种基于仿生轻量级网络的轮廓检测方法
。

技术介绍

[0002]深度学习方法：现有的基于深度学习的轮廓检测方法通常采用公开的
VGG、ResNet
或
Transformer
模型作为编码网络提取图像特征，然后设计解码网络进行特征融合，最终获得目标的轮廓输出
。
这些方法通常使用迁移学习的方法导入已有的预训练模型，并且存在结构复杂
、
层数深
、
参数量大
、
计算效率低等问题
。
此外，现有的轮廓检测方法大多忽略了生物视觉机制对神经网络的启发，而依靠研究者经验进行设计
。
因此现有的轮廓检测方法多存在特征提取能力弱
、
信息提取不充分的问题
。
[0003]生物学方法：目前的生物学方法多利用数学公式对生物视觉系统中的某一部分或局部区域的神经元特性进行模拟，但是对于生物视觉的大部分特性和信息传递本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于仿生轻量级网络的轮廓检测方法，其特征在于包括以下步骤：
A、
构建神经网络，神经网络结构具体如下：包括编码网络和解码网络；所述的编码网络包括模拟神经节细胞
、LGN
模块
、V1
模块；所述的模拟神经节细胞包括第一
Block_b
模块
、Block_S_C
模块
、Block_C_M
模块，所述的
LGN
模块包括第二
Block_b
模块
、
第一
Block_s
模块
、
第一
Block_c
模块，所述的
V1
模块包括第三
Block_b
模块
、
第二
Block_s
模块
、
第二
Block_c
模块；
B、
原始图像分别输入第一
Block_b
模块
、Block_S_C
模块
、Block_C_M
模块中处理；第一
Block_b
模块处理结果经过最大池化处理后将通道数扩大一倍后输入第二
Block_b
模块处理；
Block_S_C
模块处理结果经过最大池化处理后将通道数扩大一倍后输入第一
Block_s
模块处理；
Block_C_M
模块处理结果经过最大池化处理后将通道数扩大一倍后输入第一
Block_c
模块处理；第一
Block_b
模块处理结果
、Block_S_C
模块结果相加融合，该相加融合结果与
Block_C_M
模块结果相加融合后，得到模拟神经节细胞处理结果，输入解码网络；第二
Block_b
模块经过最大池化处理后将通道数扩大一倍后输入第三
Block_b
模块处理；第一
Block_s
模块经过最大池化处理后将通道数扩大一倍后输入第二
Block_s
模块处理；第一
Block_c
模块经过最大池化处理后将通道数扩大一倍后输入第二
Block_c
模块处理；第二
Block_b
模块结果
、
第一
Block_s
模块结果相加融合，该相加融合与第一
Block_c
模块结果相加融合后，得到
LGN
模块处理结果，输入解码网络；第三
Block_b
模块处理结果与第二
Block_s
模块处理结果相加融合后，与第二
Block_c
模块处理结果相加融合，得到
V1
模块处理结果，输入解码网络；
C、
解码网络对模拟神经节细胞处理结果
、LGN
模块处理结果
、V1
模块处理结果进行解码后，获得最终输出轮廓
。2.
如权利要求1所述的基于仿生轻量级网络的轮廓检测方法，其特征在于：所述的第一
Block_b
模块
、
第二
Block_b
模块
、
第三
Block_b
模块结构相同，分别包括：四个依次连接的3×3扩散卷积，输入结果依次经过该四个3×3扩散卷积处理，得到的最后卷积结果与输入结果相减后得到输出结果；所述的
Block_S_C
模块中包括第三
Block_s
模块，输...

【专利技术属性】
技术研发人员：林川，杨进林，黄思涵，莫世杰，张贞光，李福章，潘勇才，韦艳霞，
申请(专利权)人：广西科技大学，
类型：发明
国别省市：