[发明专利]一种基于全局信息注意力的显著性目标检测方法

说明书

本发明公开了一种基于全局信息注意力的显著性目标检测方法，首先进行数据预处理，然后构建基于全局信息注意力的显著性目标检测网络，包括编码模块，注意力模块和解码模块；最后通过训练好的的显著性目标检测网络进行显著性目标检测。本发明提出了一种基于通道信息的注意力模块，该模块注意到特征图的通道信息，并自适应的分配通道信息权重。创新的提出了一种权重图，用于给图片不同位置的内容进行赋值，添加权重图的图片进行裁块训练时可以增加块与块之间的关联信息。

技术领域

本发明涉及图像处理领域，具体而言，涉及了一种基于全局信息注意力的显著性目标检测方法。

背景技术

显著性目标检测是图像处理领域中引起人类注意的目标任务，几十年来一直是计算机视觉的研究热点，它通常作为一个预处理步骤应用于后续的各种高级计算机视觉任务，例如语义分割，目标检测和图像图模糊等。显著性目标检测技术的提升对计算机视觉领域的拓展发挥着不可忽视的作用。

传统的显著性检测方法通常依赖于手工设计的特征检测器，使用手工制作的低层特征，如颜色和形状，来生成相应的显著性图。然而，手工制作的特征检测器通常无法检测到复杂场景中的高层语义信息，从而限制了它们在复杂场景中定位以及检测整个显著目标区域的能力，不适用于实际问题。

卷积神经网络在不同图像任务中的广泛应用(如目标检测、语义分割、边缘检测等)为显著性目标检测提供了新的思路，并在这些任务中展现出令人惊喜的效果提升。因为卷积神经网络能够捕获到高层语义信息和低层纹理信息，研究人员将其引入到显著性目标检测任务中，以产生更精确的检测结果。由于卷积神经网络的优越性，近几年的成为显著性目标检测中的主流方法。目前，最有效的显著性检测方法是基于全卷积网络(FCNs)和注意力机制，主要通过增加网络模型的深度，合理利用上下文信息来提升精度，通过注意力机制提取显著对象周围的有用信息。

目前常用的注意力机制是基于空间信息，没有考虑到通道信息之间的关联。其次，由于常用数据集的图片尺寸较大，通常会将图片裁块后输入网络中进行训练，这将丢失块与块之间的关联信息。

发明内容

为了解决现有技术中所存在的问题，本发明提出了一种基于全局信息注意力的显著性目标检测方法。

一种基于全局信息注意力的显著性目标检测方法，其步骤包括：

步骤(1)数据预处理，制作权重图以及处理训练数据；

步骤(2)构建基于全局信息注意力的显著性目标检测网络；

所述的基于全局信息注意力的显著性目标检测网络，包括编码模块，注意力模块和解码模块。

步骤(3)采用训练好的显著性目标检测网络完成显著性目标检测。

步骤(1)具体步骤如下；

1-1：数据集下载：下载公开数据集ECSSD数据集。其中ECSSD数据集包含1000组图片，作为训练数据。

1-2：制作权重图以及处理训练数据：

ECSSD数据集每一组图片包含一张RGB图片I_rgb和一张显著性图片I_gt。其中图片I_rgb作为模型训练过程中的输入数据，图片I_gt作为模型训练过程中的用于与模型输出图片进行对比的对比数据。

对图片I_rgb的不同区域进行赋值，通过额外添加的权重信息使得网络知道当前处理的补丁是否为重要的补丁，从而指导模型更好的训练。

权重图制作过程如下：假设图片I_rgb的尺寸为宽W×高H，