[发明专利]一种基于双向融合网络的显著性物体检测方法及装置

权利要求书

1.一种基于双向融合网络的显著性物体检测方法，其特征是，该方法包括以下步骤：

提取输入图片的多尺度多层级特征图；

采用前向特征融合子神经网络从底层到顶层逐渐融合多尺度多层级特征图，得到种子特征图；

采用反向特征融合子神经网络将种子特征图自顶层向底层逐层与多尺度多层级特征图进行融合，得到与输入图片相同分辨率的特征图；

采用反向融合子神经网络的多个卷积层对得到的与输入图片分辨率相同的特征图进行多卷积融合，得到显著性物体分割图；

所述采用前向特征融合子神经网络从底层到顶层逐渐融合多尺度多层级特征图的步骤包括：

采用前向融合子神经网络中第一卷积层融合前馈子神经网络得到的最底层两个不同层级的特征图，得到前向融合子神经网络最底层融合后的特定层级特征图；

采用元素重排方法对前向融合子神经网络中上一卷积层融合后的特定层级特征图进行下采样，得到与当前阶段特征图分辨率相同的重排后特征图；

采用直接拼接方法将到的重排后特征图与前馈子神经网络得到的当前阶段特征图进行融合，得到融合后的特定层级特征图；

重复上述步骤，直至采用直接拼接方法将到的重排后特征图与前馈子神经网络得到的最顶层特征图进行融合，得到同时包含局部细节和全局语义信息的种子特征图。

2.根据权利要求1所述的基于双向融合网络的显著性物体检测方法，其特征是，采用前馈子神经网络对输入图片进行卷积和下采样处理，得到多个不同尺度、不同层级的图像特征图，并分别输出至前向特征融合子神经网络和反向特征融合子神经网络的每一个卷积层上。

3.根据权利要求1所述的基于双向融合网络的显著性物体检测方法，其特征是，所述采用反向特征融合子神经网络将种子特征图自顶层向底层逐层与多尺度多层级特征图进行融合的步骤包括：

将种子特征图与前馈子神经网络得到的最顶层的特征图进行融合，得到新的特征图；

采用元素重排方法得到的新的特征图进行下采样，得到反向融合子神经网络的当前阶段特征图；

将反向融合子神经网络的当前阶段特征图与前馈子神经网络得到的当前阶段特征图进行融合，得到新的特征图；

重复上述步骤，直至将反向融合子神经网络的最底层特征图与前馈子神经网络得到的最底层特征图进行融合，得到与输入图片分辨率相同的特征图。

4.一种基于双向融合网络的显著性物体检测装置，该装置用于实现权利要求1至3中任一项所述的基于双向融合网络的显著性物体检测方法，其特征是，包括：

前馈子模块，被配置为提取输入图片的多尺度多层级特征图，分别输出到前向融合子模块和反向融合子模块；

前向融合子模块，被配置为采用前向特征融合子神经网络从底层到顶层逐渐融合接收到的不同尺度不同层级的特征图，得到种子特征图，输出至反向融合子模块；

反向融合子模块，被配置为采用反向融合子神经网络将接收到的种子特征图自顶层向底层逐层与不同层级的特征图进行融合，得到与输入图片相同分辨率的特征图，并对特征图进行多卷积融合，得到边缘精细的显著性物体分割图。

5.根据权利要求4所述的基于双向融合网络的显著性物体检测装置，其特征是，所述前向融合子模块包括多个混合单元，所述混合单元具有被配置为：

采用前向融合子神经网络中卷积层融合前馈子神经网络得到的两个不同层级的特征图，得到该卷积层融合后的特定层级特征图；

采用元素重排方法对前向融合子神经网络中上一卷积层融合后的特定层级特征图进行下采样，得到与当前阶段特征图分辨率相同的重排后特征图；

采用直接拼接方法将到的重排后特征图与前馈子神经网络得到的当前阶段特征图进行融合，得到融合后的前向融合子神经网络特定层级特征图。