申请/专利权人：安徽理工大学

申请日：2022-03-21

公开（公告）日：2024-06-21

公开（公告）号：CN114612683B

主分类号：G06V10/44

分类号：G06V10/44;G06V10/80;G06V10/764;G06V10/82;G06N3/0464;G06N3/047;G06N3/045;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.06.28#实质审查的生效;2022.06.10#公开

摘要：本发明属于计算机视觉领域，提供了基于密集多尺度推理网络的显著性目标检测算法，包括以下步骤：首先，将预训练好的ResNet‑50网络作为主干网络用于提取初始多层次特征；随后，将特征输入双流多感受野模块通过一系列卷积操作和密集指导连接来增加其内部的显著性信息；之后，利用残差多方式交互策略充分交互优化后的多层次特征生成高质量特征表示；最后将生成的特征表示进行降维激活，生成初始显著性图，并利用真值标签进行深度监督训练。

主权项：1.基于密集多尺度推理网络的显著性目标检测方法，其特征在于，该方法运行包含以下步骤：1基于密集多尺度推理网络的显著性目标检测方法将预训练好的ResNet-50网络作为初始多层次特征提取器，提取初始多层次特征；2双流多感受野模块利用不同感受野的卷积操作和密集连接从初始多层次特征捕获多感受野多尺度特征，然后集成这些特征来强化初始多层次特征中的显著性目标信息；2.1双流多感受野模块设计为双流结构，分四个阶段n＝4进行两次操作，即不对称卷积和扩张卷积，以从降维特征X中捕获显著性信息；2.2将不对称卷积运算的卷积核设为1×2n-1，2n-1×1，而扩展卷积运算将填充率设为2n-1，在第i个分支中i＝1，2，3，4；然后，双流多感受野模块应用于多层次特征X，并捕获多尺度特征T＝{Tn，n＝1，…，4}；2.3将每个阶段提取的多尺度特征T连接起来，并引入残差连接，生成具有丰富重要信息的多级特征M＝{Mi|i＝1,2,3,4,5}，以便在杂乱场景中高效准确地推断出复杂结构的显著对象；M的公式如下所示：M＝∑τX,τCatT1,…,Tn,n＝41这里∑是元素加法运算，τ表示卷积大小为1×1×168的降维运算；Cat表示特征拼接操作；3残差多方式交互策略可以自适应交互多层次特征中的高层语义信息和低层次边缘信息用于生成既包含完整显著性目标又包含尖锐边缘信息的特征表示；3.1残差多方式交互策略包括三种特征交互方式，即元素乘法、元素加法和拼接；3.2通过三种交互策略，将不同层次的特征相互融合，生成特征Oadd、Ocat、Omul并进行特征拼接操作生成特征O，然后将生成的特征O降维并进行聚合； 3.3为了增强特征的多样性信息，引入残差连接来进行残差学习，最终获得强大而健壮的特征表示V＝{Vi|i＝1,2,3,4,5}，以实现准确高效的显著性检测；整个流程如下： 这里∑是元素加法运算，τ表示卷积大小为1×1×168的降维运算；Cat表示特征拼接操作，*表示元素乘法；4将生成的一系列特征表示进行降维激活生成初始显著性图，利用混合损失函数进行深度监督训练。

全文数据：

权利要求：

百度查询： 安徽理工大学 基于密集多尺度推理网络的显著性目标检测算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD