申请/专利权人：江南大学

申请日：2020-06-29

公开（公告）日：2024-06-28

公开（公告）号：CN111753849B

主分类号：G06V10/46

分类号：G06V10/46;G06V10/80;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2020.10.30#实质审查的生效;2020.10.09#公开

摘要：本发明的目的是提供一种基于紧密聚合特征和循环残差学习的检测方法及系统，属于图像处理技术领域。系统包括紧密特征提取模块、所有特征聚合模块、循环残差优化模块，方法包括如下步骤：提取紧密卷积特征，将连续阶段的输出特征结合到一起，针对所有层提取的紧密卷积特征采用空洞空间金字塔池化模块实现多层特征外部信息聚合；在深度监督机制下，以残差学习的方式不断优化，对整体循环残差网络在三个视觉显著性检测数据集上进行测试，测试完成后即可使用所述基于紧密聚合特征的循环残差网络进行自然图像中视觉显著性检测的实际应用。本发明提高了视觉显著性检测在复杂场景下的检测效果，增强对背景噪声的抑制和检测区域的连续性、完整度。

主权项：1.一种检测方法，其特征在于，使用了一种检测系统；所述检测系统包括：紧密特征提取模块，用于提取模块针对ResNeXt101网络第二至五阶段最后一个卷积层特征，采用紧密连接的方式实现单层内部的有效信息聚合；所有特征聚合模块，针对多层不同分辨率的特征，利用空洞空间金字塔池化模块实现多层外部的特征信息交流与融合；循环残差优化模块，在深度监督机制下反复利用紧密聚合特征不断优化预测的显著图；所述检测方法包括如下步骤：S1从基础框架ResNeXt101网络中提取紧密卷积特征，使用密集连接方式将连续阶段的输出特征结合到一起，并且覆盖较大的感受野，实现单层特征内部信息融合；S2针对所有层提取的紧密卷积特征采用空洞空间金字塔池化模块实现多层特征外部信息聚合；S3在深度监督机制下，循环利用紧密聚合特征，以残差学习的方式不断优化，通过实验确定合适的循环次数；S4对整体循环残差网络在三个视觉显著性检测数据集上进行测试，测试完成后使用基于紧密聚合特征的循环残差网络进行自然图像中视觉显著性检测的实际应用；S1中，首先针对ResNeXt101网络中第二至五阶段最后一个卷积层分别为256，512，1024和2048个通道的特征，使用一个核大小为3、通道数为128的卷积运算降维，将降维特征复用至之后紧密连接的每个阶段，引导后续信息的融合，即每个当前阶段的输入是所有之前阶段特征级联的结果，统一使用核大小为3、通道数为64的卷积进行特征信息的提取，最终紧密特征提取模块的输出由降维特征和多个阶段的中间输出级联得到；S2中，首先将所有层提取的紧密卷积特征级联，经过两个核大小为3、通道数为256的卷积运算实现降维，然后送入空洞空间金字塔池化模块实现信息融合，即并行经过一个核大小为1、通道数为128的卷积运算，三个核大小为3、扩张率分别为2,4,6、通道数为128的卷积运算和一个全局均值池化与核大小为1、通道数为128的组合，最后将5个路径的特征级联经过核大小为1、通道数为256的卷积运算实现聚合降维，即获得了紧密聚合特征。

全文数据：

权利要求：

百度查询： 江南大学 基于紧密聚合特征和循环残差学习的检测方法及系统

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