一种显著性目标检测方法、系统、存储介质和产品技术方案

本发明专利技术涉及图像数据处理领域，具体涉及一种显著性目标检测方法、系统、存储介质和产品，包括如下依次执行的步骤：S1：获取用于训练的RGB图像和深度图像；S2：分别建立用于提取RGB图像和深度图像特征的骨干网络；S3：分别建立用于增强步骤S2处理过后的图像特征的特征细粒度的特征细粒度增强模块；S4：建立用于编码器阶段跨模态特征增强和融合的跨模态双注意力特征融合模块；S5：在解码器阶段构建多尺度特征聚合模块高效融合跨模态特征，利用模态间的相关性增强特征表示，并对多级特征进行解码；设计了跨模态双注意力特征融合模块和多尺度特征聚合模块充分利用模态之间的互补信息，显著提高了在复杂场景下的检测精度。

【技术实现步骤摘要】

本专利技术涉及图像数据处理领域，具体涉及一种显著性目标检测方法、系统、存储介质和产品。

技术介绍

1、当前主流的rgb-d显著性目标检测方法均为直接使用骨干网络提取的特征信息，不对这种提取后的粗糙特征做任何的处理，直接进行多模态信息之间的融合，忽略了低质量的rgb图像和深度图像对显著性目标检测的负面影响，影响检测精度。

技术实现思路

1、本专利技术的目的在于提供一种提高检测精度的显著性目标检测方法、系统、存储介质和产品。

2、为了达到上述目的，本专利技术采用这样的技术方案：

3、一种显著性目标检测方法，包括如下依次执行的步骤：

4、s1：获取用于训练和测试的rgb-d数据集，rgb-d数据集包括各张图像的rgb图像、深度图像和gt图像；

5、s2：建立第一骨干网络和第二骨干网络，将rgb-d数据集中的训练样本的rgb图像和深度图像分别一一对应输入到第一骨干网络和第二骨干网络进行多个维度的特征提取，提取到的特征图像分别用和表示，其中表示维度，</p>

6、s3本文档来自技高网...

【技术保护点】

1.一种显著性目标检测方法，其特征在于：包括如下依次执行的步骤：

2.如权利要求1所述的显著性目标检测方法，其特征在于：步骤S1中，

3.如权利要求1所述的显著性目标检测方法，其特征在于：步骤S2中，骨干网络进行了五个维度的特征提取，采用在ImageNet1K上进行了预训练的Res2Net50网络作为第一骨干网络和第二骨干网络。

4.如权利要求1所述的显著性目标检测方法，其特征在于：构建混合损失函数，对RGB图像、深度图像以及各融合分支的输出进行有效监督，生成最终的显著图，采用二元交叉熵（BCE）损失进行像素级限制，并使用交并比（IoU）损失进行全局级...

【技术特征摘要】

1.一种显著性目标检测方法，其特征在于：包括如下依次执行的步骤：

2.如权利要求1所述的显著性目标检测方法，其特征在于：步骤s1中，

3.如权利要求1所述的显著性目标检测方法，其特征在于：步骤s2中，骨干网络进行了五个维度的特征提取，采用在imagenet1k上进行了预训练的res2net50网络作为第一骨干网络和第二骨干网络。

4.如权利要求1所述的显著性目标检测方法，其特征在于：构建混合损失函数，对rgb图像、深度图像以及各融合分支的输出进行有效监督，生成最终的显著图，采用二元交叉熵（bce）损失进行像...

【专利技术属性】
技术研发人员：巢建树，马小强，方鸿清，张定华，刘家辉，
申请(专利权)人：泉州装备制造研究所，
类型：发明
国别省市：