[发明专利]基于注意机制卷积神经网络的显著性目标检测方法

权利要求书

1.一种基于注意机制卷积神经网络的显著性目标检测方法，其特征在于：包括以下步骤：

步骤1：卷积神经网络训练：所述卷积神经网络包括输入层、多维特征提取层MFE1至MFE5、全局特征提取层global、卷积层CON-1至CON-5、空间注意模块SA、通道注意模块CA、对比信息提取层CT-1至CT-5、特征融合层Dcon-2至Dcon-5、局部特征提取层、分类预测层和输出层；所述输入层将输入图像转换为预设维度的张量后依次经多维特征提取层MFE1至MFE5、全局特征提取层global处理后得到全局特征张量U_G；所述多维特征提取层MFE1至MFE5分别提取第一至第五尺度特征张量f₁-f₅；所述第一至第五尺度特征张量f₁-f₅分别经所述卷积层CON-1至CON-5处理得到第一至第五尺度高层特征x₁-x₅；所述第四尺度高层特征x₄经空间注意模块CA处理后得到通道注意特征x′₄，所述第二尺度高层特征x₂和通道注意特征x′₄经空间注意模块SA处理后得到空间注意特征X′₂，所述第一尺度高层特征x₁、空间注意特征X′₂、第三尺度高层特征x₃、通道注意特征X′₄、第五尺度高层特征x₅分别经过对比信息提取层CT-1至CT-5处理得到第一至第五对比特征第五尺度高层特征x₅和第五对比特征经特征融合层Dcon-5处理后得到第五特征张量U₅，第四尺度高层特征x₄和第四对比特征和第五特征张量U₅经特征融合层Dcon-4处理后得到第四特征张量U₄，第三尺度高层特征x₃和第三对比特征和第四特征张量U₄经特征融合层Dcon-3处理后得到第三特征张量U₃，第二尺度高层特征x₂和第二对比特征和第三特征张量U₃经特征融合层Dcon-2处理后得到第二特征张量U₂，第一尺度高层特征x₁和第一对比特征和第二特征张量U₂经局部特征提取层处理后得到局部特征张量U_L，局部特征张量U_L和全局特征张量U_G经分类预测层Softmax处理后得到显著性特征，显著性特征经过输出层输出显著性图；训练集的已标注训练图像输入输入层，进行网络训练；

步骤2：显著性检测：将待预测图象输入输入层，预测显著性图。

2.根据权利要求1所述的基于注意机制卷积神经网络的显著性目标检测方法，其特征在于：所述输入层采用超分辨率方法将输入图像转换为预设维度的张量。

3.根据权利要求1所述的基于注意机制卷积神经网络的显著性目标检测方法，其特征在于：所述全局特征提取层global采用两次双线性插值法及一次卷积操作提取全局特征张量U_G，所述卷积操作的卷积核大小为1×1，padding值为VALID，通道数为2。

4.根据权利要求1所述的基于注意机制卷积神经网络的显著性目标检测方法，其特征在于：所述卷积层CON-1至CON-5结构相同，卷积核大小为3×3，步长为1，padding值为SAME，通道数为128。