[发明专利]基于双流网络结构的快速显著性目标检测方法

说明书

本发明公开了一种基于双流网络结构的快速显著性目标检测方法，所述方法包括：对标注值进行预处理，将标注值拆分为边缘轮廓图和主体图；将ResNet‑50网络中的卷积层conv3_4、conv4_6、conv5_3通过编码的方式分为边缘支流和主体支流；对边缘支流加入边缘轮廓增强模块，该支流用于检测边缘轮廓特征；主体支流按照ResNet‑50的结构进行卷积，检测主体特征；将通道注意模块入到高级语义特征的输出通道；将边缘轮廓特征与主体特征进行融合得到精确的显著目标图。本发明提高了检测速度和目标边缘轮廓的检测精度。

技术领域

本发明涉及目标检测领域，尤其涉及一种基于双流网络结构的快速显著性目标检测方法。

背景技术

显著性目标检测作为机器学习中重要的一部分，就实际使用而言，良好的显著性检测模型应该满足以下三点：

1)良好的检测性能：可以准确的定位显著性目标，并且误差区域越低越好；

2)检测到的目标具有较好的可分割性：检测到的目标边缘轮廓应该越完整精确越好，方便后续其他复杂处理过程进行处理；

3)检测速率，作为其他复杂过程的前端，显著性目标检测的速度应该越快越好，可以为后续过程节省更多的时间。

显著性目标检测的方法可以分为：基于先验知识的方法和基于深度学习的方法。基于先验知识的方法大多都是对显著性目标进行先验性的假设，并手工设计出特征进行显著性度量。然而在实际图像中，显著性目标和图像背景复杂多变，难以用有限的先验知识进行描述，从而造成这类方法检测结果不准确。基于深度学习的方法通过设计网络模型，提取有效的特征，用数据训练的方式获取显著性目标，从而获得更加精准的检测结果。但是，很多现有的基于深度学习的方法，在处理目标轮廓复杂容易与背景混叠情况下，检测精度并不理想，有时甚至会将背景误检为显著性目标。同时，很多检测方法的模型复杂，检测速度较慢，不符合实际应用。

在过去十几年中，显著性检测方法不论是基于各种先验知识的传统方法还是基于深度学习的方法都得到了极大的发展，但是大多数方法仅注重整体检测效果或仅注重简化模型提高检测速度，但是在实际应用中，检测方法应该同时关注检测速度和检测精度。

发明内容

本发明提供了一种基于双流网络结构的快速显著性目标检测方法，目的是提高检测速度和目标边缘轮廓的检测精度，详见下文描述：

一种基于双流网络结构的快速显著性目标检测方法，所述方法包括：

对标注值进行预处理，将标注值拆分为边缘轮廓图和主体图；

将ResNet-50网络中的卷积层conv3_4、conv4_6、conv5_3通过编码的方式分为边缘支流和主体支流；

对边缘支流加入边缘轮廓增强模块，该支流用于检测边缘轮廓特征；主体支流按照ResNet-50的结构进行卷积，检测主体特征；

将通道注意模块入到高级语义特征的输出通道；将边缘轮廓特征与主体特征进行融合得到精确的显著目标图。

在一种实施方式中，所述将ResNet-50网络中的卷积层conv3_4、conv4_6、conv5_3通过编码的方式分为边缘支流和主体支流具体为：

将卷积层conv3_4、conv4_6、conv5_3通过编码的方式分为卷积层conv3_4b、conv4_6b、conv5_3b和conv3_4e、conv4_6e、conv5_3e两个支流；

其中，卷积层conv3_4b、conv4_6b、conv5_3b表示主体支流，卷积层conv3_4e、conv4_6e、conv5_3e表示边缘支流。

在一种实施方式中，在基网络ResNet-50的conv2_3和边缘支流的conv3_4e之间并行加入四个不同膨胀率的膨胀卷积。