[发明专利]一种基于深度学习的似物性检测方法

摘要

本发明公开了一种基于深度学习的似物性检测方法，包括先对输入图像进行超像素分割以及深度学习的特征图提取，然后结合特征图和标记矩阵获取所有超像素的特征，根据所提取的超像素的特征进行超像素的合并操作，判断是否需要继续下一轮合并；若需要合并，则将新的标记矩阵将更新后的标签矩阵重新与特征图相结合，提取新的超像素特征，继续新的一轮合并；若合并已经结束，则将所包含的超像素信息送入训练好的网络进行似物性评估；之后根据所得到的似物性分数进行排序，最后将排序的结果输出。

主权项

一种基于深度学习的似物性检测方法，其特征在于，包括如下步骤：S1对输入图像进行超像素分割，为图像中的每个超像素赋予标记值，通过标记矩阵L保存分割信息；S2通过深度学习模型和标记矩阵L提取每个超像素的特征；S3建立合并矩阵M，具体为：在输入图像中随机选取超像素作为中心，计算中心超像素与周围超像素的特征的距离与阈值，并根据阈值筛选出需合并的超像素，构成的合并集合C，并将合并集合C的信息存入合并矩阵M中；继续选取超像素作为中心，计算合并集合C，直到输入图像中所有的超像素均已被合并或作为过中心，则停止选取，并将每次合并集合信息存入合并矩阵M；S4根据S3得到的合并矩阵，得到输入图像的超像素合并为多个区域，将区域信息存入区域标记矩阵R,并将R加入候选区域集合{Rf}；S5判定候选区域是否提取完毕，若为否，则将S4结果的候选区域集合视为超像素，依据区域标记矩阵R，重复S2,S3,S4，并改变S3中计算合并超像素的距离权重系数；若为是，停止重复步骤；S6训练用于近似物分数评估的深度学习网络；S7根据候选区域集合{Rf}，将所有区域送入网络计算似物性分数；按似物性分数进行排序，输出结果。