[发明专利]一种协同显著性物体检测方法及系统

权利要求书

1.一种协同显著性物体检测方法，其特征是：包括以下步骤：

获取不同的图片组，对图片组进行编码，以提取特征图；

对提取的特征图进行全局关系学习，得到图片组共性，并将其与特征图进行深度分离滤波，进行解码生成检测结果；

对检测结果进行测试，如果不满足要求，则对提取的特征图和图片组共性进行全局协同学习，通过语义分类学习对特征图进行分类，以得到更好的图片特征，直到测试结果满足要求；

其中，对图片组进行编码的具体过程包括：对图片组的图片进行多层卷积处理；

对提取的特征图进行全局关系学习的具体过程包括：使用一个卷积层对输入特征图进行处理，将生成的两个特征图进行相乘得到特征图上每个点之间的关系矩阵，通过重组，确定全局关系图，并将其与原始的特征图相乘，在组合空间上取均值得到图片组共性；

进行全局协同学习的具体过程包括：对于输入的两组图片的特征图和图片组共性，将来自同一个图片组的特征图和图片共性进行相乘，并使用卷积网络进行处理得到输出结果，使用真实标签进行监督，然后将来自不同图片组的特征图和图片共性进行相乘，并使用卷积网络进行处理得到输出结果，使用全0图进行监督。

2.一种协同显著性物体检测系统，其特征是：包括：

编码器，接收输入的不同的图片组，对图片组进行编码，以提取特征图；对图片组进行编码的具体过程包括：对图片组的图片进行多层卷积处理；

全局关系学习模块，对图片组提取的特征图进行全局关系学习，得到图片组共性，并将其与特征图进行深度分离滤波；对提取的特征图进行全局关系学习的具体过程包括：使用一个卷积层对输入特征图进行处理，将生成的两个特征图进行相乘得到特征图上每个点之间的关系矩阵，通过重组，确定全局关系图，并将其与原始的特征图相乘，在组合空间上取均值得到图片组共性；

解码器，接收全局关系学习模块的结果，对其进行解码，生成检测结果；

全局协同学习模块，与全局关系学习模块连接，被配置为对提取的特征图和图片组共性进行全局协同学习；

进行全局协同学习的具体过程包括：对于输入的两组图片的特征图和图片组共性，将来自同一个图片组的特征图和图片共性进行相乘，并使用卷积网络进行处理得到输出结果，使用真实标签进行监督，然后将来自不同图片组的特征图和图片共性进行相乘，并使用卷积网络进行处理得到输出结果，使用全0图进行监督；

还包括语义分类学习模块，与全局协同学习模块连接，被配置为对特征图进行分类，以得到更好的图片特征；

具体的，对检测结果进行测试，如果不满足要求，则通过全局协同学习模块对提取的特征图和图片组共性进行全局协同学习，通过语义分类学习模块对特征图进行分类，以得到更好的图片特征，直到测试结果满足要求。

3.如权利要求2所述的一种协同显著性物体检测系统，其特征是：所述编码器包括多层卷积层，每个卷积层之后都接有ReLU层和Batch Normalization层。

4.如权利要求2所述的一种协同显著性物体检测系统，其特征是：所述解码器使用具有侧向连接的卷积网络。

5.如权利要求2所述的一种协同显著性物体检测系统，其特征是：基于SGD的梯度下降法求解检测系统的卷积模板参数和偏置参数，在每次迭代过程中，计算预测结果误差并反向传播到检测系统，计算梯度并更新参数。

6.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行如权利要求1所述的协同显著性物体检测方法的步骤。

7.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1所述的协同显著性物体检测方法的步骤。