[发明专利]一种基于双深度融合网络的轮廓检测方法

说明书

本发明涉及计算机视觉领域，具体为一种基于双深度融合网络的轮廓检测方法。该方法通过类HED模块和类CEDN模块的设置，实现HED算法与CEDN算法的融合。在融合的过程中，通过类CEDN模块中的G‑Weights Block网络生成特征融合权重图，然后在Refine Block网络中将类HED和类CEDN模块提取的不同尺度特征图与特征融合权重图动态融合、并通过上采样得到还原至输入图片尺度后输出。由于特征融合权重图的加入提高不同层次特征图之间的关联性，使得轮廓检测具备更高的精度。

技术领域

本发明涉及计算机视觉领域，具体为一种基于双深度融合网络的轮廓检测方法。

背景技术

在目标物体轮廓检测中，深度卷积神经网络通过对输入图像的全局和深度信息的利用，已经极大地提高了轮廓检测的精度。如：S.Xie等人提出的HED(S.Xie,Z.Tu.Holistically-nested edge detection[C].Proceedings of the IEEE internationalconference on computer vision,2015,1395-1403.)，利用整体嵌套式的深度学习模型来提取更加抽象的图像信息，同时使用了浅层和深层的特征，并增加一个额外的融合层以获得统一的输出结果。又如： J.Yang等人提出的CEDN(J.Yang,B.Price,S.Cohen,etal.Object contour detection with a fully convolutional encoderdecoder network[C].Proceedings of the IEEE conference on computer vision and patternrecognition,2016,193-202.)利用浅层特征中的定位信息，深层特征中的轮廓信息，将VGG-16的五个模块构成编码器，经由编码器得到最深层的特征图，通过Unpoolin的方法结合浅层特征中的轮廓位置，一步一步上采样为原图尺度，最后通过sigmoid函数进行处理后输出。

上述两种算法在各自独立使用时，都能得到一个较为精确的检测结果。由于不同层次的特征图包含不同的轮廓信息，例如：浅层特征图往往包含更加精细的轮廓特征，但同时也包含了更多的无关边缘特征，深层特征图能够抑制掉大部分的无关边缘，但同时得到的轮廓较粗且模糊，通过上采样后得到的轮廓预测定位相较不准确。在实际应用中，单一算法所得到的轮廓检测其精度还存在极大的提升空间。因此，如何更好地实现深层和浅层特征图进行结合，以获得更高的检测精度及效率成为了当前轮廓检测方面一个极具挑战的课题。

发明内容

本发明的目的在于：提供一种基于双深度融合网络的轮廓检测方法，该方法通过在融合现有HED算法和CEDN算法的过程中，增加特征融合权重图，提高不同层次特征图之间的关联性，使得轮廓检测具备更高的精度。

为实现上述目的，本发明采用如下技术方案：

一种基于双深度融合网络的轮廓检测方法,包括以下步骤：

步骤1、建立基于轮廓检测的双深度融合网络结构

基于轮廓检测的双深度融合网络结构包括：类HED模块、类CEDN模块、RefineBlock 网络和sigmoid网络；

所述类HED模块采用不含全连接层的VGG-16网络，用于提取输入图片的n个不同尺度的特征图；

所述类CEDN模块由ResNet-50网络和G-Weights Block网络组成；G-WeightsBlock网络连接在ResNet-50网络之后；ResNet-50网络用于提取输入图片的n+1个尺度不同的特征图，其中前n个特征图的尺度与类HED模块提取出的特征图尺度一一对应，第n+1个特征图作为 G-Weights Block网络的输入；G-Weights Block网络用于将输入的特征图通过卷积和双线性上采样操作生成n个特征权重融合图输出；n个特征权重融合图的尺度与ResNet-50网络中前n 个特征图尺度一一对应；