[发明专利]一种基于边缘强化的显著性检测方法

说明书

本发明公开了一种基于边缘强化的显著性检测方法，主要解决现有技术显著性检测结果准确率低、显著性主体判断错误与边缘模糊的问题。其实施方案为：1)获取数据集与检测标签；2)构建检测模型；3)构建损失函数；4)训练检测模型；5)推理并获得检测结果。本发明构建的显著性检测模型，通过引入浅层特征信息的方式对解码结果进行细节补充，解决了解码结果存在边缘模糊的问题。通过为多尺度特征建立长依赖关系，消除了特征内部存在的语义割裂，有效地提升了显著性检测结果的准确率，避免了检测结果中显著性主体判断错误的发生。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于边缘强化的显著性检测方法。

背景技术

显著性检测作为一种图像预处理方法，通过实现图像中显著性物体的检测，降低图像处理的复杂度，提升图像处理算法的运行效率，因而具有广泛的应用空间和发展前景。在自动驾驶领域中，可以通过显著性检测对道路图像进行预处理，使得目标检测算法优先识别显著性区域，以提升显著性区域目标在自动驾驶系统中处理的优先级，保证自动驾驶系统的安全性。传统的显著性检测方法主要借助颜色、纹理、中心先验等人工特征实现显著性目标的分割，这类方法存在着检测准确率低，鲁棒性差等问题，因此已经逐渐被深度学习的方法所取代。现有的基于深度学习的显著性检测模型大多采用基于编码-解码结构的全卷积网络，通过端到端的模式完成显著性检测模型的训练。这些模型在利用解码器生成显著性检测图的时候，由于多次上采样，导致生成的显著性检测图准确率较差。

发明内容

本发明充分考虑了现有方法存在的缺点，其目的在于提供一种基于边缘强化的显著性检测方法，通过利用浅层特征信息，弥补解码结果缺失的细节信息，以提升显著性检测的准确率。

一、技术原理

目前基于卷积神经网络的显著性检测模型大多直接采用编码-解码结构，模型的编码器通过堆叠重复的卷积层和池化层获取深层语义信息，解码器通过上采样层逐渐恢复图像的分辨率，得到最终的预测结果。由于卷积核感受野的限制，模型获取的特征图内存在空间语义割裂的问题。为了建立多层次特征图的长依赖关系以消除空间语义割裂，本发明将编码器获取的多尺度特征分别输入到长依赖模块(LRDM)，通过长依赖权重对多尺度特征进行加权，为多尺度特征内部建立了大空间范围的依赖关系。编码器所生成的多尺度特征包含了不同层次的信息，传统解码器所使用的上采样-融合模式无法充分发挥多尺度特征的优势。为了充分利用多尺度特征中所包含的信息，本发明设计了解码器(DE)实现全层次解码，保证多层次语义信息得到充分利用，以获得更加准确的检测结果。为了弥补解码器所得结果面临的细节缺失的问题，保证检测结果的准确性，本发明设计边缘强化模块(ER)，针对解码器所生成的结果进行细化校正，提高了模型的预测精度。

二、根据上述原理，本发明通过以下方案实现：

一种基于边缘强化的显著性检测方法，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：