[发明专利]一种基于像素级噪声标签监督的光场显著性目标检测方法

说明书

本发明公开了一种基于像素级噪声标签监督的光场显著性目标检测方法，包括以下步骤：S1、基于全焦图像及其对应的焦堆栈构建实验数据；S2、通过实验数据交互式引导融合网络，获得全焦图像初始噪声预测和光场焦堆栈图像初始噪声预测；S3、通过全焦图像初始噪声预测和光场焦堆栈图像初始噪声预测构建像素遗忘矩阵，得到融合后的最终预测显著性映射；S4、对融合后的最终预测显著性映射进行跨场景的噪声惩罚损失。本发明通过挖掘高维度光场数据中非常丰富的场景信息来引导和辅助显著性物体的检测，充分利用噪声标签中可用的显著性信息并减小噪声信息的置信度，有效地降低了显著性目标检测的预实验成本。

技术领域

本发明涉及人工智能与计算机视觉技术领域，具体涉及一种基于像素级噪声标签监督的光场显著性目标检测方法。

背景技术

视觉显著性目标检测在计算机视觉、图形、机器人和公共安全等许多领域中广泛应用。近年来，随着深度学习模型的快速发展，基于RGB图像的显著性目标检测方法得到了明显的改进，但在复杂场景、背景前景区分度小、光照变化大、目标伪装遮掩等情况下，检测精度仍然较低。为此，基于光场图像的显著性目标检测任务引起了诸多关注，光场图像因包含丰富的纹理和深度等信息对挑战性自然场景的显著性目标检测提供了新的可能。然而，现有的光场图像显著性目标检测方法均需制作由大量人工逐像素标记的，与光场图像中心视角对齐的标签来完全监督训练过程，成本代价昂贵，不利于光场图像显著性目标检测的大规模落地应用。如何获得成本低廉的像素级噪声标签来监督光场显著性目标检测学习过程，并设计鲁棒的学习策略来大幅度降低像素级噪声标签带来的不确定扰动，使得在像素级噪声标签监督下训练的网络模型检测出的结果接近于人工标记数据监督下训练的网络模型，是极具价值和有深远意义的一个研究工作。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于像素级噪声标签监督的光场显著性目标检测方法解决了现有的光场图像显著性目标检测方法成本代价昂贵，不利于光场图像显著性目标检测的大规模落地应用的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于像素级噪声标签监督的光场显著性目标检测方法，包括以下步骤：

S1、基于全焦图像及其对应的焦堆栈构建实验数据；

S2、通过实验数据交互式引导融合网络，获得全焦图像初始噪声预测和光场焦堆栈图像初始噪声预测；

S3、通过全焦图像初始噪声预测和光场焦堆栈图像初始噪声预测构建像素遗忘矩阵，得到融合后的最终预测显著性映射；

S4、对融合后的最终预测显著性映射进行跨场景的噪声惩罚损失最小化，得到光场显著性映射目标。

进一步地：所述步骤S1具体为：

构建训练数据集，N为训练数据样本总数，数据集中的每一个x_i由一个全焦图像I_r及其对应的焦堆栈组成，k为焦堆栈总数，焦堆栈是由光场原始数据raw.lfp重聚焦分离得到的不同焦距下的焦片，由传统无监督显著性目标检测方法生成的噪声标签。

进一步地：所述步骤S2的具体步骤为：

S21、输入全焦图像I_r及其对应的焦堆栈，k为焦堆栈总数；