[发明专利]一种基于并行卷积神经网络的图像显著性检测方法

权利要求书

1.一种基于并行卷积神经网络的图像显著性检测方法，其特征在于，包括以下步骤：

(1)设计并行卷积神经网络结构；所述并行卷积神经网络结构包括全局角度检测模块CNN-G和局部角度检测模块CNN-L；

所述全局角度检测模块CNN-G为单路卷积神经网络；所述局部角度检测模块CNN-L为双路并行卷积神经网络；所述全局角度检测模块CNN-G和局部角度检测模块CNN-L通过一个全连接层实现并行；

(2)设计两种网络输入图，并针对输入定义基于超像素的标签；所述针对输入定义基于超像素的标签，具体为：超像素标签由超像素与显著图真实标注的重叠率决定，若大于设定的阈值则标签为1，视为显著；反之，若重叠率小于设定的阈值则标签为0，视为非显著；

所述网络输入图包括全局填充图和局部裁剪图；

所述全局填充图以超像素为中心、包含原图全部信息的填充图，代表全局特征，作为全局角度检测模块CNN-G的输入；

所述局部裁剪图以超像素为中心、包含超像素领域细节信息的裁剪图，代表局部特征，作为局部角度检测模块CNN-L的输入；

(3)数据集平衡化处理与输入预处理；

(4)模型训练：所述模型包括数据预处理模块和并行卷积神经网络结构；

(5)对目标图像使用已训练好的模型计算显著图。

2.根据权利要求1所述的基于并行卷积神经网络的图像显著性检测方法，其特征在于，步骤(3)所述数据集平衡化处理，具体为：

对一张图像所取得的正样本全部采用，并随机选取与正样本数量一致的负样本；将所有样本的规格归一化到256*256大小。

3.根据权利要求1所述的基于并行卷积神经网络的图像显著性检测方法，其特征在于，步骤(1)所述并行卷积神经网络结构的前5层为5个卷积层；第一层卷积层有96个卷积核，大小为11*11*3；第2层有256个卷积核，大小为5*5*48；第三层卷积层有384个核，大小为3*3*256；第四层卷积层有384个核，大小为3*3*192；第5层卷积层有256个核，大小为3*3*192；前两层和第五层卷积层的后面都接一层池化层和一层正则化层。

4.根据权利要求3所述的基于并行卷积神经网络的图像显著性检测方法，其特征在于，步骤(1)所述并行卷积神经网络结构的同层卷积层参数共享，以学习尺度不变性特征。

5.根据权利要求3所述的基于并行卷积神经网络的图像显著性检测方法，其特征在于，步骤(4)中，所述并行卷积神经网络的训练包括以下步骤：

(4-1)网络参数初始化；

(4-2)设置训练参数；

(4-3)加载训练数据；

(4-4)迭代训练。

6.根据权利要求5所述的基于并行卷积神经网络的图像显著性检测方法，其特征在于，步骤(4-1)所述网络参数初始化，具体为：采用fine-tune策略，利用AlexNet模型的前六层网络参数初始化并行卷积神经网络的前六层；全连接层的初始化设置为随机值初始化。

7.根据权利要求5所述的基于并行卷积神经网络的图像显著性检测方法，其特征在于，步骤(4-2)所述训练参数，具体为：并行卷积神经网络的前5层的初始学习率设置为0.0001；全连接层参数的初始学习率为0.001；训练过程设为每8次遍历样本集后，学习率降低40％。

8.根据权利要求5所述的基于并行卷积神经网络的图像显著性检测方法，其特征在于，步骤(4-3)所述迭代训练：采用随机梯度下降算法对并行卷积神经网络进行迭代训练，每迭代1000次保存一次网络参数，经过不断迭代，取得网络最优解。