[发明专利]基于集中式信息交互的显著性目标检测方法及系统

说明书

本发明公开了基于集中式信息交互的显著性目标检测方法及系统，包括：获取待检测图像；将待检测图像，输入训练后的显著性目标检测神经网络，得到待检测图像中的显著性目标。改进了U型结构中自底向上和自顶向下的路径之间的联系，通过集中式信息交互手段使得从自底向上网络中提取的特征在不进行任何插值操作的前提下实现跨尺度的信息交互，这样可以突破现有显著性目标检测方法中跨尺度无信息交互的缺点，同时避免了插值操作带来的负面影响。

技术领域

本申请涉及图像处理技术领域，特别是涉及基于集中式信息交互的显著性目标检测方法及系统。

背景技术

本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。

近年来随着多媒体技术的蒸蒸日上，以及人们生活和工业界的广泛需求，图像处理技术在实际应用中蓬勃发展。图像处理中的显著性目标检测技术用于检测图像中的显著性目标，将其与背景进行分离。作为图像处理中的基本的低级别任务，并受益于类别不可知的特点，显著性目标检测已广泛应用于各种计算机视觉下游任务，例如弱监督语义分割，视觉跟踪，对内容敏感的图像编辑和机器人导航。显著性目标检测技术已经被广泛应用于各大手机拍照技术和社交媒体中，在我们的生活中发挥着不可忽视的作用。例如，手机拍照通常利用显著性物体检测技术实现照片前景和背景分离，强调人像等前景、虚化背景等。

传统的显著性目标检测方法在很大程度上依赖于手工设计的特征检测器。这些检测器无法利用隐藏在图像和数据集中的丰富的高级语义信息，从而使它们在复杂的场景中失效。随着商用GPU的普及，卷积神经网络(CNN)由于其能够提取高层次语义和低层次纹理特征的能力而迅速发展，目前卷积神经网络已经被广泛应用于计算机视觉、自然语言处理等研究领域。与此同时，基于神经网络的显著性目标检测方法也蓬勃发展。在显著性目标检测技术的神经网络架构中，U型结构是其中的一种代表性架构。

U型结构最早被提出应用于医疗影像中的病灶自动分割任务，由于其强大的特征提取能力以及简单而富有美感的对称结构，人们在如语义分割与目标检测等各个计算机视觉任务中也开始关注U型结构。目前，在计算机视觉各个任务表现最佳的模型中都可以见到U型结构的身影。典型的U形结构由一个自底向上的路径，一个自顶向下的路径以及它们之间的几个连接组成。旨在推进U形结构的显著性目标检测方法可以分为三类：集中于提高自底向上路径的特征提取能力、增强自顶向下路径的特征聚集能力以及前两者的结合。

然而，已有的方法全部忽略了U型结构中自底向上和自顶向下的路径之间的联系。这些方法通常直接连接U型结构中相应的阶段，保留其初始特征。所以我们研究重新设计自底向上和自顶向下的路径之间而不是路径本身的联系来增强提取特征的表示能力。而实现此目标最直接的方法是直接融合从U型结构自底向上路径中提取的多尺度特征。但是，跨尺度特征融合的必备步骤是空间插值操作。中间特征图通过空间插值操作在连续先进行上采样、再进行下采样过程后会与原始特征图产生较大偏差，反之亦然。另外当下采样率增加时，由于缺少更多的空间位置信息，上述现象会进一步恶化。

发明内容

为了解决现有技术的不足，本申请提供了基于集中式信息交互的显著性目标检测方法及系统；针对图像显著性目标检测任务中，设计U型结构自底向上和自顶向下的路径之间而不是路径本身的联系来增强提取特征的表示能力。本发明的目的是提出一种基于新型的深度学习集中式信息交互技术，增强网络提取特征的表示能力，并且不需要空间插值操作，保留每个输入特征图的空间尺寸，在避免了由特征的空间插值引起的负面影响的同时，实现了跨尺度的信息交互。

第一方面，本申请提供了基于集中式信息交互的显著性目标检测方法；

基于集中式信息交互的显著性目标检测方法，包括：

获取待检测图像；

将待检测图像，输入训练后的显著性目标检测神经网络，得到待检测图像中的显著性目标。

第二方面，本申请提供了基于集中式信息交互的显著性目标检测系统；