[发明专利]一种基于边缘强化的显著性检测方法

权利要求书

1.一种基于边缘强化的显著性检测方法，其特征在于包括以下步骤：

(1)获取数据集与检测标签：

获取显著性检测公开数据集及对应的检测标签；

(2)构建检测模型，该模型由特征提取器、解码器DE-1和DE-2、边缘强化模块ER-1和ER-2、整体注意力模块HA构成，具体构建过程包括以下步骤：

(2-a)构建特征提取器，以ResNet-50作为特征提取器的基础网络；所构建的特征提取器共分五层：第一层，即Res1，由单层卷积模块构成；第二层，即Res2，由一个池化层和三层残差模块构成；第三层，即Res3，由四层残差模块构成；第四层包括Res4-1和Res4-2，二者拥有相同的结构，都由六层残差模块构成，第五层包括Res5-1和Res5-2，二者也拥有相同的结构，都由三层残差模块构成；第四层和第五层为双分支结构，其中第四层的Res4-1和第五层的Res5-1串联构成第一个分支，第四层的Res4-2和第五层的Res5-2串联构成第二个分支；输入图像经过Res1处理，获得三维特征图f_{1_1}、f_{1_2}和f_{1_3}，且f_{1_1}＝f_{1_2}＝f_{1_3}；f_{1_3}输入Res2获得三维特征图f_{2_1}、f_{2_2}和f_{2_3}，且f_{2_1}＝f_{2_2}＝f_{2_3}；f_{2_3}输入Res3获得三维特征图f_{3_1}、f_{3_2}和f_{3_3}，且f_{3_1}＝f_{3_2}＝f_{3_3}；f_{3_3}依次经过第一个分支的Res4-1和Res5-1处理后分别获得三维特征图f_{4_1}和f_{5_1}；f_{3_3}与整体注意力模块HA的输出结果通过逐像素相乘实现加权，加权结果依次经过第二个分支的Res4-2和Res5-2处理后分别获得三维特征图f_{4_2}和f_{5_2}；HA由单层卷积构成，它以解码器DE-1的输出结果作为输入；

(2-b)构建解码器DE-n，该解码器由长依赖模块LRDM、感受野模块RFB、卷积上采样模块CU1、CU2、CU3，上采样模块Up和拼接层构成；将步骤(2-a)获取的三维特征图f_{2_n}、f_{3_n}、f_{4_n}和f_{5_n}分别作为解码器DE-n的输入1、输入2、输入3和输入4，n＝1,2；f_{i_n}依次经过LRDM与RFB处理后得到其中i＝2,3,4,5；经过Up处理后，与一起输入到拼接层1，得到中间特征图经过CU1处理后，与一起输入到拼接层2，得到中间特征图经过CU2处理后，与一起输入到拼接层3，得到中间特征图经过CU3处理得到特征图map_n，即为解码器DE-n的输出结果；

该步骤中的长依赖模块LRDM构建如下：

以步骤(2-a)获得的特征图f_{i_n}作为输入，经该模块的通道维度自适应均值池化层处理并进行特征展开后，获得一维特征，将一维特征输入全连接层后，经过激活函数与特征逆展开处理，再与特征图f_{i_n}进行逐像素相乘操作，得到LRDM的输出；其中i＝2,3,4,5，n＝1,2；

(2-c)构建边缘强化模块ER-n，该模块由卷积块1和卷积块2构成，其中卷积块1由三层残差模块构成，卷积块2由五层卷积构成；将步骤(2-a)得到的特征图f_{1_n}经卷积块1处理后，与步骤(2-b)得到的粗特征图map_n进行逐像素相加，再经卷积块2处理后，得到显著性检测图，其中n＝1,2；

(3)构建损失函数：

构建如下混合损失函数L_mix：

L_mix＝L_BCE+L_MSSIM+L_Dice

其中L_BCE为二元交叉熵损失，L_MSSIM为平均结构相似性损失，L_Dice为Dice损失，分别定义如下：

其中P表示预测图，Gt表示标签图，二者尺寸相同，H表示图的高，W表示图的宽，P_i，j和Gt_i,j分别表示P和Gt中(i，j)点的像素值，且P_i，j∈(0，1)，Gt_i,j为整数且Gt_i,j∈[0，1]，log表示求自然对数，表示逐像素相加操作，表示逐像素相乘操作，C₁与C₂为实数常量，且C₁、C₂∈(0，0.1)；M表示将标签图Gt以及对应的预测图P划分成子图对的个数，为预测图P第k个子图的均值，为标签图Gt第k个子图的均值，为预测图P第k个子图的方差，为标签图Gt第k个子图的方差，为预测图P的第k个子图和标签图Gt的第k个子图之间的协方差；|·|表示求取图像中所有像素的和；对模型的两个分支的显著性检测图分别计算混合损失函数，以这两个混合损失函数之和作为模型的总损失函数，定义如下：

L_total＝L_mix-1+L_mix-2

其中，L_mix-1和L_mix-2分别表示第一和第二分支的显著性检测图与标签之间的混合损失，L_total表示模型的总损失函数；

(4)训练检测模型：

利用步骤(1)得到的数据集训练步骤(2)构建的检测模型，模型中的特征提取器使用预训练模型进行参数初始化；使用混合损失函数L_mix-1和L_mix-2分别衡量第一和第二分支的显著性检测图与标签之间的相似性；训练过程中使用Adam算法更新模型参数，并通过L-2正则化作为约束，直到损失值不再下降，得到训练好的显著性检测模型；

(5)推理并获得检测结果：

将测试图像经过归一化处理之后，输入至训练好的显著性检测模型，该模型第二分支得到的显著性检测图即为最终的显著性检测结果。