买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：许昌三维测绘有限公司

摘要：本发明提供了一种基于双分支网络的实时显著性检测图像方法，包括以下步骤：1，构建双分支网络：搭建显著性检测双分支网络，将显著性对象的图像集输入到双分支网络中，通过迭代优化损失函数来优化双分支网络；2，构建细节监督和显著监督模块：利用双分支网络迭代优化显著性损失和细节损失；3，双分支网络框架分为模型训练阶段和测试阶段；模型训练阶段将经过数据预处理的显著性训练图片集输入到双分支网络中，利用细节监督和显著监督模块来优化双分支网络；在测试阶段将需要检测的显著性图像输入到训练好的双分支网络中，得到对应的显著性对象切割图像；4，输入单张显著性图像，得到对应的显著性结果图。

主权项：1.一种基于双分支网络的实时显著性检测图像方法，其特征在于，包括如下步骤：步骤1，构建双分支网络：搭建显著性检测双分支网络，将显著性对象的图像集输入到双分支网络中，通过迭代优化损失函数来优化双分支网络；步骤2，构建细节监督和显著监督模块：利用步骤1中的双分支网络，迭代优化显著性损失和细节损失；步骤3，双分支网络框架，分为模型训练阶段和测试阶段；在模型训练阶段，将经过数据预处理的显著性训练图片集输入到双分支网络中，利用细节监督和显著监督模块来优化双分支网络，得到一个能快速、准确生成显著性结果的双分支网络；在测试阶段，将需要检测的显著性图像输入到训练好的双分支网络中，得到对应的显著性对象切割图像；步骤4，输入单张显著性图像，通过训练好的双分支网络，得到对应的显著性结果图；其中，步骤1包括以下步骤：步骤1-1，构建双分支网络模型骨架来进行特征提取；步骤1-2，设计细节指导分支DBG支来进一步编码低层特征的详细结构信息，设计目标分支OB来获取足够的深层信息上下文目标；步骤1-3，构造特征投影融合模块FPM来把低层特征的详细结构信息和深层信息上下文目标进行融合；步骤1-1中，所述双分支网络模型骨架包括五个阶段，前两个阶段是两个3×3的卷积层，步幅为2；后三个阶段的每个阶段都包含两个短程连接模块SRCM，利用骨架提取特征图，使得空间分辨率在每个阶段均降低，短程连接模块SRCM的具体结构为，每个SRCM被分成4个卷积块，将第i个卷积块的输出表示为xi，i∈[1，4]模块SRCM的最终输出表示为所有4个块的相加求和，即xoutput＝ψx1，x2，...，xn，构建的骨干在有限的参数下提取多尺度特征；步骤1-2中，所述细节指导分支包含两个3×3卷积操作，通过该细节指导分支DBG来进一步编码骨干网络的第三个阶段的空间信息，得到特征Fe，所述目标分支OB包含两个通道注意力模块CA，利用两个通道注意力模块分别对步骤1-1中阶段4和阶段5的特征进行再编码，将再编码得到的两个特征进行融合后得到特征Fo；步骤1-3中，所述特征投影融合模块FPM将双分支网络OB输出的特征Fo和DBG输出的特征Fe进行融合，首先将特征Fo上采样到相同大小的Fe∈RC×H×W，其中C为特征矩阵的通道数，H为特征矩阵的高度，W为特征矩阵的宽度，然后采用金字塔池化模块PPM来降低特征映射Fo和Fe的维数，PPM由四尺度的特征箱组成，然后将其扁平并连接，形成一个大小为C1×N、N＜＜HW、C1＝C2的矩阵，Fo和Fe的自亲和矩阵计算为： 其中，Ae和Ao表示相似性矩阵，尺寸通过PPM固定到N×HW，和表示可学习参数，进一步将这两个矩阵组合如下： 然后，使用行级归一化矩阵A∈RHW×N，A将两个特征投影到同一子空间： 将Fo和Fe连接起来，并使用3×3卷积来得到最终的输出特性F。

全文数据：

权利要求：

百度查询： 许昌三维测绘有限公司 一种基于双分支网络的实时显著性检测图像方法