图像显著性目标检测方法、系统、设备及介质技术方案

本发明专利技术公开了图像显著性目标检测方法、系统、设备及介质；其中方法包括：获取待检测图像；将待检测图像输入到训练后的图像显著性目标检测模型中，得到显著性目标检测结果；其中，训练后的显著性目标检测模型，用于：对待检测图像进行特征提取；对骨干网络的每一层提取的特征进行多感受野特征学习，并对不同感受野的特征进行融合；对融合的特征进行上下文学习，使每一层的输出特征通过采样操作，与其上下层输出特征进行交互聚合，输出显著性目标检测结果。本发明专利技术促进了在特征提取过程中低级和高级特征之间的交互，学习上下文特征，将各个层的独立的特征连接成一个连续的整体，增强特征提取的持续性和完整性。

【技术实现步骤摘要】

本专利技术涉及图像显著性检测，特别是涉及图像显著性目标检测方法、系统、设备及介质。

技术介绍

1、本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。

2、显著对象检测的主要目的是将图像中最引人注目的部分从图像中提取出来，类似于人类的注意力机制。其本质上是一种对图像中像素点进行二分类的问题，将各个像素分为显著部分和非显著部分。显著对象检测在很多领域都有一定程度的应用，如图像分割，目标跟踪，无人驾驶，三维重建等。特别是随着智能交通、智能制造等领域的发展，从成千上万的图像中提取关键信息变得尤为重要，由于真实场景图像背景复杂多变，目标尺寸大小不一，显著性目标检测面临着种种困难。传统的显著对象检测方法包含图像预处理、手动特征提取等步骤，过于依靠经验主义，并且鲁棒性较差。随着深度学习的发展，基于全卷积网络的方法被提出，通过深层网络提取特征，具有更好的效果，具体可以细分为以下几类。由于真实图像中的显著性目标尺度变化较大，因此很多方法研究多尺度信息学习，小尺度能够更好地提取细节信息，大尺度能够得到完整特征。为了捕获到更加精细的颗粒度细节本文档来自技高网...

【技术保护点】

1.图像显著性目标检测方法，其特征是，包括：

2.如权利要求1所述的图像显著性目标检测方法，其特征是，训练后的图像显著性目标检测模型，网络结构包括：并列的第一分支和第二分支；所述第一分支采用第一骨干网络来实现；第一骨干网络，包括：依次连接的第一阶段模块、第二阶段模块、第三阶段模块和第四阶段模块；第二骨干网络，包括：依次连接的第五阶段模块、第六阶段模块、第七阶段模块和第八阶段模块；

3.如权利要求2所述的图像显著性目标检测方法，其特征是，训练后的图像显著性目标检测模型，网络结构还包括：第三多感受野特征融合模块的输出端和第四多感受野特征融合模块的输出端，均与第二上下文...

【技术特征摘要】

1.图像显著性目标检测方法，其特征是，包括：

2.如权利要求1所述的图像显著性目标检测方法，其特征是，训练后的图像显著性目标检测模型，网络结构包括：并列的第一分支和第二分支；所述第一分支采用第一骨干网络来实现；第一骨干网络，包括：依次连接的第一阶段模块、第二阶段模块、第三阶段模块和第四阶段模块；第二骨干网络，包括：依次连接的第五阶段模块、第六阶段模块、第七阶段模块和第八阶段模块；

3.如权利要求2所述的图像显著性目标检测方法，其特征是，训练后的图像显著性目标检测模型，网络结构还包括：第三多感受野特征融合模块的输出端和第四多感受野特征融合模块的输出端，均与第二上下文学习模块的输入端连接；第三多感受野特征融合模块的输出端、第四多感受野特征融合模块的输出端和第五多感受野特征融合模块的输出端，均与第三上下文学习模块的输入端连接；

4.如权利要求1所述的图像显著性目标检测方法，其特征是，所述第一多感受野特征融合模块，在每层特征图中获取多尺度信息，并将多尺度信息聚合在一起：

5.如权利要求...

【专利技术属性】
技术研发人员：陈振学，毕钰，刘成云，朱鑫铭，孙露娜，
申请(专利权)人：山东大学，
类型：发明
国别省市：