[发明专利]面向云雾遮挡的海面目标显著性检测方法

权利要求书

1.一种面对海面云雾遮挡情况下的显著性目标检测方法，其特征在于包括以下步骤：

步骤一：进行数据的预处理，在OUT-OMRON和SOC6K公开数据集中选取300张海面图片用柏林噪声进行人工遮挡，设置不同的柏林系数来获取30、40、50、60、70五个不同遮挡程度的云雾遮挡图片，而且将其数据集扩充至1800张，选取其1500张作为训练集，300张作为测试集；

步骤二：使Pretrainning+Finetuning的模型训练方法进行网络模型的训练，使用MSRA10K大型公开显著性目标数据集作为预训练数据集，进行预训练后，保存其网络模型参数；

步骤三：数据预处理完成后，进行神经网络设置，对海面图像使用残差网络进行初步特征处理，并且通过空洞卷积进行进一步的特征提取；使用金字塔并行结构来有效的学习不规则目标的形变，通过将经过不同空洞率卷积的特征矩阵进行并联，并且使用一个1x1的卷积核进行降维；

步骤四：进行特征信息降维后，当特征映射经过optimization层和初始显著性映射时，使用注意力机制策略，该策略机制为：

S_h＝MAX(f_{min_max}(Conv_g(S_i,k)),S_i)

上述公式表示一个有着高斯核k和偏置为0的卷积操作，f_{min_max}其中表示一个归一化函数，来让显著图的范围变为[0,1]；而MAX()的操作表示取最大值函数，这样可以使趋向于增加平滑后的特征图S_i中的显著性区域权重系数，让特征映射可以直接与海面显著性图相乘；

步骤五：特征映射经卷积池化后得到14×14×2048的特征图，去掉其ResNet50的全连接层并连接rate＝2、4的空洞卷积层进行级联；

步骤六：使用256个1×1卷积核步长为1，得到其特征信息从14×14×2048降维至14×14×256的特征图；

步骤七：通过使用256个卷积核为3×3，rate＝6、12、18的空洞卷积操作分别得到3个14×14×256的特征图；

步骤八：通过卷积核为256的全局平均池化处理得到14×14×256的特征图；

步骤九：将步骤六、步骤七、步骤八中的5个14×14×256的特征图矩阵进行并联操作，得到14×14×1280的特征图，之后通过256个1×1卷积核，步长为1，降维至大小14×14×1的二维特征矩阵，经归一化处理后，生成显著性图；

步骤十：网络设置完成后，进行网络训练，网络训练采用Adam梯度下降法。Batch_size设置为2，Train_size设置为352，训练迭代次数为100，初始学习率设置为0.0001。学习率更新策略使用指数衰减法；

步骤十一：进行反向传播更新网络权重及偏置，进数据集的迭代过程，并且计算遮挡图像的特征与清晰图像的特征的差异，将二者之间的差异特征进行优化处理；

步骤十二：采用导向滤波函数用来约束云雾遮挡噪声特征，其公式为：

定义W_ij为滤波窗口，q_i为二维特征矩阵中的元素，P_j为输入图像P_wh的像素，|W|是窗口的像素总数，μ_k为引导图在窗口W的平均值，σ²为引导图在窗口W的方差，g为特征图G中的元素，计算特征图与其真值图之间的误差，通过神经网络的训练误差逐渐变小，直到得到最终的训练模型后，停止训练；

步骤十三：对训练好的网络模型，将测试样本作为输入，得到最终得到显著性特征矩阵，经可视化处理后，即可得到显著性图。