[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

说明书

本发明公开了一种基于注意机制卷积神经网络的显著性目标检测方法，包括卷积神经网络训练和显著性检测步骤。本发明通过引入通道注意机制，解决了NLDF方法中深层语义信息过度削弱的问题，通过引入空间注意机制，解决了NLDF方法中低层边界信息不清晰的问题，通过引入双线性插值法提取全局特征，解决了NLDF方法中全局特征的目标丢失问题。

技术领域

本发明涉及一种显著性目标检测方法，尤其涉及一种基于注意机制卷积神经网络的显著性目标检测方法，属于计算机视觉技术领域。

背景技术

近年来，随着新媒体行业的快速发展，一些短视频、图像推文等数字信息完全融入到老百姓的生活中，每天都有数以万计的图像、视频信息传入到互联网中，极大丰富了人们的生活、工作和娱乐。要想快速从海量的数字图像中选出有价值的内容，单靠人类自身感官将难以实现，这便对计算机视觉方面的研究提出更大的挑战。数字图像信息，能够非常直观地反映出人们要表达的内容，在网络资源传送中被广泛使用，但是大量的数据信息难以被人们有效识别。在人类的视觉系统中，他们能够集中注视到图像的重要区域上，而不去关注背景区域的无用信息，这对快速处理图像有着重要作用。因此，如何将这种注视图像关键区域的能力应用到计算机中，以帮助人们完成更加复杂的图像处理任务，便是当下计算机视觉研究者所关注的重点内容。

深度学习，尤其是卷积神经网络能够有效提取图像的深层语义内容和浅层空间信息，从而更加清晰地检测出视觉场景中的重要区域内容。就目前而言，基于深度学习的显著性目标检测算法主要从三个角度来增强检测效果，分别是边界和深层语义信息的增强，全局和局部特征结合增强以及其他领域网络的辅助增强。这些方案虽然相比传统方法有着很好的检测效果，但是仍然存在一些问题。其中，存在的一些主流问题便是边界信息不完整问题。自卷积神经网络被提出后，图像的深层语义内容能够被很好的提取，外加一些辅助网络等处理算法，可以很好地优化目标区域信息。但是，因为搭建的模型不能有效利用边界信息和语义信息的互补性，以及局部特征和全局特征的关联性，造成边界信息不清晰、不连贯以及边缘内容缺失等问题，仍然是目前深度学习算法中常见的问题。

发明内容

本发明要解决的技术问题是提供一种基于注意机制卷积神经网络的显著性目标检测方法。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于注意机制卷积神经网络的显著性目标检测方法，包括以下步骤：