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：浙江大学

摘要：本发明公开了一种基于自提升学习的显著性目标检测训练方法。该方法包括如下步骤：使用显著性目标检测模型，预测出训练图像中的显著性物体；构建渐进式提升模块，用于预测一致连续的显著性标签，指导显著性模型的学习，并以动量更新的方式更新渐进式提升模块的网络参数；利用样本自适应模块评估生成的连续标签的质量，从而动态调节模型连续标签对于显著性模型优化过程的影响；通过数据增强的对输入图像增广变换，通过多层次一致性正则化操作，提升显著性模型的泛化能力。本发明提出的训练方法，充分利用自提升学习和一致性学习范式，能够更好地帮助显著性检测模型的训练，增强模型的准确性和泛化性。

主权项：1.一种基于自提升学习的显著性目标检测训练方法，其特征在于，包括以下步骤：S1、获取用于显著性目标检测的带有数据集标签的训练数据集；S2、使用显著性目标检测模型，预测出所述训练数据集内每张训练图像中的显著性物体；S3、构建渐进式提升模块，利用渐进式提升模块预测一致连续的显著性标签，用于指导显著性模型的学习，并利用显著性模型的参数来动态更新渐进式提升模块的网络参数；S4、利用样本自适应模块评估生成的连续标签的质量，从而动态调节模型连续标签对于显著性模型优化过程的影响；S5、通过数据增强对输入图像进行增广变换，通过多层次一致性正则化操作，提升显著性模型的泛化能力；S6、在显著性目标检测模型训练过程中使用由S1～S5建立的自提升训练框架，指导模型学习过程，帮助模型更好地预测出图像中的显著性物体；步骤S1中，训练数据集包括若干训练图像Itrain和对应显著性物体二值标签Ytrain；步骤S2中，使用显著性目标检测模型，预测出训练图像中的显著性物体，具体包括以下子步骤：S21、获取一个显著性目标检测模型模型的网络参数为；所述的目标显著 性模型包括编码器模块和解码器模块S22、对于训练数据集中每张训练图像Itrain，其输入显著性目标检测模型后，先通 过编码器模块得到相应的图像特征图f，再利用解码器模块得到显著性物体预 测结果P： 步骤S3中，构建渐进式提升模块，利用渐进式提升模块预测一致连续的显著性标签，用于指导显著性模型更加平滑稳定地学习，并利用显著性模型的参数来动态更新渐进式提升模块的网络参数，具体包括以下子步骤：S31、初始化渐进式提升模块该模块的网络结构与S1中的显著性目标检测模型保持一致，渐进式提升模块的网络参数为θPUM；S32、利用渐进式提升模块生成一致连续的显著性标签，后续用于指导显著性模型更加平滑稳定地学习： 其中：Z表示渐进式提升模块生成的一致连续的显著性标签；S33、采用动量更新的方式，将训练过程中不同阶段的显著性模型的参数整合到渐进式提升模块的网络中，实现对渐进式提升模块网络参数的动态更新： 其中：和分别表示在第t次和第t-1次训练迭代过程中的渐进式提升模块的网络参数θPUM，表示在第t次训练迭代过程中的显著性目标检测模型的网络参数θSOD，η是控制模型动量更新速度的超参数；步骤S4中，利用样本自适应模块评估生成的连续标签的质量，从而动态调节模型连续标签对于显著性模型优化过程的影响，具体包括以下子步骤：S41、样本自适应模块通过评估生成的连续标签的质量，获取样本自适应权重λ： 其中：Z表示S32中由渐进式提升模块生成的一致连续的显著性标签，Y表示S1中由训练数据集提供的与Z对应的真实显著性物体二值标签，ζ是调节λ取值范围的一个超参数；S42、样本自适应权重λ被用于动态调节二值标签和连续标签对于模型优化过程的影响，并最终得到自提升训练范式的损失函数 其中：H,W分别表示输入训练图像的长和宽，Yi,j、Zi,j、Pi,j分别为二值标签Y、显著性标签Z、显著性物体预测结果P中i,j位置的元素值，为预测结果与一致连续标签计算的损失函数，为预测结果与二值离散计算的损失函数；步骤S5中，通过数据增强对输入图像进行增广变换，通过多层次一致性正则化操作，提升显著性模型的泛化能力，具体包括以下子步骤：S51、通过对原始输入的原始样本Itrain进行增加高斯噪声和随机裁剪的数据增广，构建扩充样本用于模拟受到干扰因素影响的样本：S52、将扩充样本输入到显著性目标检测模型中，获取对应的显著性预测结果 S53、对原始样本和扩充样本之间施加预测一致性的正则化约束： 其中：表示显著性预测结果中i,j位置的元素值；S54、利用显著性目标检测模型的编码器模块分别从原始样本和扩充样本中抽 取出中间图像特征，并对其施加多尺度特征一致性的正则化约束： 其中：表示矩阵的F-范数FrobeniusNorm。

全文数据：

权利要求：

百度查询： 浙江大学 一种基于自提升学习的显著性目标检测训练方法