买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中南大学

摘要：本发明公开了一种基于掩膜先验分布融合与边缘概率估计的显著性检测方法，主要解决现有技术显著性主体判断错误，检测结果中目标边缘模糊的问题。其实施方案为：1获取数据集与检测标签；2获取检测标签分布；3获取边缘概率标签；4构建检测模型；5构建损失函数；6训练检测模型；7显著性检测。本发明构建的检测模型，通过感受野模块，利用分组卷积机制，降低特征图中的信息冗余，提升语义多样性；通过交叉注意力机制，将标签的先验分布融入多尺度特征中，为显著性目标主体的判断提供了先验位置信息，避免了检测结果中显著性主体判断错误的发生；通过边缘概率估计，为边缘强化提供了引导，解决了检测结果中边缘模糊的问题。

主权项：1.一种基于掩膜先验分布融合与边缘概率估计的显著性检测方法，其特征在于包括以下步骤：1获取数据集与检测标签：获取显著性检测公开数据集及对应的检测标签；2获取检测标签分布，将数据集中检测标签归一化，遍历所有检测标签，得到标签分布Dis；3获取边缘概率标签，利用Canny算子提取检测标签的边缘轮廓，采用高斯模糊处理边缘轮廓，得到显著性目标的边缘概率标签；4构建显著性检测模型，该模型由编码器、颈部模块、解码器、细节提取模块与边缘强化模块组成，具体构建过程包括以下步骤：4-a构建编码器，以ResNet-50作为编码器，进行特征提取，输入图像经过编码器处理，得到尺度大小依次递增的四个的特征图f1、f2、f3和f4；4-b构建颈部模块，该模块由四个感受野模块RFBL组成，将步骤4-a获取的特征图f1、f2、f3和f4分别作为四个感受野模块RFBL1、RFBL2、RFBL3和RFBL4的输入，得到处理结果f1rfb、f2rfb、f3rfb与f4rfb；该步骤中所述感受野模块RFBL构建如下：感受野模块由特征分组模块、特征拼接模块、卷积模块Convs和五个分支模块构成；感受野模块的输入特征首先经过特征分组模块处理，得到五组特征G1、G2、G3、G4和G5；第一组特征G1由分支模块1处理，得到第一组感受野特征R1，第二组特征G2由分支模块2处理，得到第二组感受野特征R2，第三组特征G3由分支模块3处理，得到第三组感受野特征R3，第四组特征G4由分支模块4处理，得到第四组感受野特征R4，第五组特征G5由分支模块5处理，得到第五组感受野特征R5；五组感受野特征经过特征拼接模块处理后，再经卷积模块Convs处理，得到输出特征；4-c构建解码器，解码器由四个分布融合模块PQ和一个卷积模块Convs构成；将步骤4-b获取的处理结果f1rfb与步骤2得到的标签分布Dis一起输入分布融合模块PQ1，其输出结果经过上采样处理后，与步骤4-b获取的处理结果f2rfb逐像素相加得到融合结果fusion1；fusion1与步骤2得到的标签分布Dis一起输入分布融合模块PQ2，其输出结果经过上采样处理后，与步骤4-b获取的处理结果f3rfb逐像素相加得到融合结果fusion2；fusion2与步骤2得到的标签分布Dis一起输入分布融合模块PQ3，其输出结果经过上采样处理后，与步骤4-b获取的处理结果f4rfb逐像素相加得到融合结果fsuoin3；fsuoin3与步骤2得到的标签分布Dis一起输入分布融合模块PQ4，其结果依次经过上采样处理与一个卷积模块Convs处理后，得到解码结果；该步骤中所述分布融合模块PQ构建如下：分布融合模块的输入包括深度特征和步骤2得到的标签分布Dis，标签分布经形状变化层1处理后得到Disr，深度特征经形状变化层2处理后得到Deepr，将Disr和Deepr一起输入交叉注意力模块，得到特征T1，其中Disr作为交叉注意力模块的Query，Deepr作为交叉注意力模块的Key与Value；特征T1经遗忘层1处理，得到特征T2，将特征T2与Deepr一起输入逐点相加层1，得到特征T3，特征T3经归一化层1处理得到特征T4，特征T4经线性层处理后得到特征T5，特征T5经过遗忘层2处理后得到特征T6，特征T6与特征T4一起输入逐点相加层2，得到特征T7，特征T7依次经过归一化层2与形状变化层3处理后，得到输出特征；其中分布融合模块PQ1以步骤4-b获取的处理结果f1rfb为深度特征，分布融合模块PQ2、PQ3和PQ4分别以fusion1、fusion2和fusion3为深度特征；4-d构建细节提取模块，该模块由一个卷积层构成，输入图像经过该卷积层处理后，得到细节特征detail；4-e构建边缘强化模块，该模块由一个边缘辅助模块EA构成，步骤4-d得到的细节特征detail与步骤4-c得到的解码结果输入该边缘辅助模块，得到边缘估计结果与检测结果；该步骤中所述边缘辅助模块EA构建如下：边缘辅助模块由四个卷积层Conv1、Conv2、Conv3和Conv4构成，输入包括步骤4-c得到的解码结果与步骤4-d得到的细节特征detail；细节特征与解码结果在通道维度进行拼接后，依次经过Conv1和Conv2处理，得到边缘估计结果；边缘估计结果与解码结果进行逐像素相加后，依次经过Conv3和Conv4处理，得到检测结果；5构建损失函数：构建如下混合损失函数Lmix：Lmix＝LBCESODGT,SODPre+LBCEEdgeGT,EdgePre其中SODGT表示显著性检测的标签，SODPre表示显著性检测结果，EdgeGT表示显著性目标的边缘概率标签，EdgePre表示显著性目标的边缘估计结果，LBCE表示二元交叉熵损失函数；6训练显著性检测模型：利用步骤1得到的数据集训练步骤4构建的显著性检测模型；使用步骤5构建的混合损失函数Lmix计算模型输出的检测结果与标签之间、边缘估计结果与边缘概率标签之间的误差；训练过程中使用Adam算法更新模型参数，并使用L-2正则化作为约束，直到损失不再下降，得到训练好的显著性检测模型；7显著性检测：将测试图像经过归一化处理之后，输入至训练好的显著性检测模型，该模型中边缘强化模块输出的检测结果即为最终的显著性检测结果。

全文数据：

权利要求：

百度查询： 中南大学 一种基于掩膜先验分布融合与边缘概率估计的显著性检测方法