[发明专利]基于金字塔特征注意的图像显著性检测方法

摘要

本发明公开了一种基于金字塔特征注意的图像显著性检测方法，所述方法针对深度卷积神经网络的不同层次特征，使用多种注意力机制，获取更加有效的图像显著性特征。本发明的方法可以很好的进行显著性目标检测，并在多个数据库上取得了最好的结果。本发明整个过程利用一个神经网络进行图像显著性检测，运用注意力机制获取有效的多尺度多层次信息，并使用特别的边缘保持损失函数监督显著性边缘部分的生成。较现有的图像显著性检测方法，在不需要后处理的情况下，显著性图像边缘清晰，具有良好的鲁棒性。

主权项

1.一种基于金字塔特征注意的图像显著性检测方法，其特征在于所述方法包括如下步骤：步骤一、使用去除后三个全连接层的VGG16网络作为基本网络，所述基本网络共包含5个卷积模块，将前两个模块的输出作为低层次特征，后三个模块的输出作为高层次特征，分别对其进行处理；步骤二、对于高层次特征，首先使用上下文金字塔特征提取模块得到包含上下文特征的多尺度多感受野的特征，所述上下文金字塔特征提取模块包含VGG16卷积3‑3、卷积4‑3、卷积5‑3的输出3个尺度，每个尺度包含四个感受野，由一个1×1×32的卷积和三个3个空洞半径分别为3、5、7，卷积核为3×3×32的空洞卷积组成，每个卷积层后使用BN层和relu激活层；最后将四个感受野得到的特征沿通道连接；对于每一个尺度按照上述方法得到多感受野的特征，然后将两个较小尺度的特征双线性插值到最大尺度特征大小，沿通道连接成上下文金字塔特征提取模块的输出；三、对于上下文金字塔特征提取模块的输出，使用通道注意力模块选取合适尺度和感受野的特征；四、对于低层次的特征，使用空间注意力模块使网络过滤掉一些背景噪声，学习到合适的特征；五、融合经过注意力机制后的高层次特征和低层次特征，经过一个1×1卷积后得到最终的显著性检测图；六、使用显著性检测图的交叉熵损失函数和边缘保持损失函数对网络进行训练。