[发明专利]一种注视点指导的显著目标检测方法

说明书

本发明涉及计算机视觉的技术领域，特别是涉及一种注视点指导的显著目标检测方法，可更准确地定位显著目标，提高显著目标的检测效果；包括以下步骤：(1)、设计多尺度特征提取器提取多尺度的卷积特征；(2)、设计特征融合交换模块来交换注视点预测和显著目标检测之间的互补信息；(3)、设计特征解码模块，将融合优化后的特征送入解码器生成最终的注视点预测图和显著目标预测图。

技术领域

本发明涉及计算机视觉的技术领域，特别是涉及一种注视点指导的显著目标检测方法。

背景技术

视觉显著性描述一个物体在一幅场景中的特殊性或吸引视觉注意的能力这种能力源自该物体与周围事物的迥异性，由观察者的主观经验引起，图像显著度检测可以提取图像中的显著目标，滤除冗余的背景信息，只关注人类视觉感兴趣的图像区域，从而降低图像内容理解和场景分析的复杂度，显著目标检测是许多计算机视觉任务重要的预处理步骤，被广泛应用于图像检索、语义分割、图像裁剪、目标跟踪、视频压缩等任务中。

显著目标检测总体可以分为基于传统方法的显著目标检测和基于深度学习的显著目标检测方法，传统方法使用手工设计的特征和先验知识来检测和分割突出的物体，由于缺乏高层次的语义知识，这些传统方法往往无法检测出复杂场景中的显著目标，随着深度学习的发展，显著目标检测取得了重大进展，深度神经网络可以有效提取图片中的多级特征，与基于手工设计特征的传统方法相比，基于深度学习的显著目标检测方法具有普适性强、精度高的优点，深度学习的显著目标检测方法可以分为基于全连接神经网络的方法和基于全卷积神经网络的方法。

早期基于全连接神经网络的显著目标检测方法将整幅图片分为许多个小的子区域，利用全连接神经网络依次为每个子区域提取特征并预测该子区域的显著性分数，这带来了巨大的重复计算量，并且无法利用整体空间信息，例如：ELD(Deep saliency withencoded low level distance map and high level features)、MDF(Visual saliencybased on multiscale deep features)等。

近年来，基于全卷积神经网络的显著目标检测方法成为主流，这些方法将整幅图片输入全卷积神经网络，并且端到端的预测每一个像素点的显著性分数，取得了令人满意的效果，例如：PAGR(Progressive Attention Guided Recurrent Network for SalientObject Detection)、CPD(Cascaded Partial Decoder for Fast and Accurate SalientObject Detection)等。

然而，在显著目标尺寸过小、与背景对比度低和背景过于复杂等具有挑战性的情况下，由于显著目标和背景之间的视觉对比不明显，现有的方法仍然无法准确地定位显著目标，从而使得最终的显著目标检测效果不佳。

发明内容

为解决上述技术问题，本发明提供一种可更准确地定位显著目标，提高显著目标的检测效果的注视点指导的显著目标检测方法。

本发明的一种注视点指导的显著目标检测方法，包括以下步骤：

(1)、设计多尺度特征提取器提取多尺度的卷积特征：

利用一个共享的卷积神经网络对输入的图片进行特征提取得到多尺度的卷积特征集合R；通过适应卷积操作得到的特征集合R调整为更适合注视点预测任务的特征集合F和显著目标检测任务的特征集合S。

(2)、设计特征融合交换模块来交换注视点预测和显著目标检测之间的互补信息：