[发明专利]一种协同显著性物体检测方法及系统

说明书

本发明提供了一种协同显著性物体检测方法及系统，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，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。本发明大大提升了模型的辨别能力，进而提升了协同显著性物体检测的性能。

技术领域

本发明属于图像检测技术领域，具体涉及一种协同显著性物体检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着用户对图片处理要求的不断提升，协同显著性物体检测的应用也愈加广泛。与传统的显著性检测不同，协同显著性检测需要检测多个图像中同时出现的显著物体。因此这一任务要求模型不仅能从每张图片中检测出最吸引人的物体，还要求这些检测出的物体具有相同的语义属性。这就要求模型能够分辨不同类别的物体，并找出图像中共有的显著性物体。但是据发明人了解，现有算法的辨别能力不足，往往将不同类别的物体也检测出来。

发明内容

本发明为了解决上述问题，提出了一种协同显著性物体检测方法及系统，本发明在检测网络模型的训练过程中加入了不同类别的条件信息，使得检测网络模型根据给定的类别条件对图片进行分割，大大提升了模型的辨别能力，进而提升了协同显著性物体检测的性能和准确度。

根据一些实施例，本发明采用如下技术方案：

一种协同显著性物体检测方法，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。

作为可选择的实施方式，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。

作为可选择的实施方式，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。

作为可选择的实施方式，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，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。

作为可选择的实施方式，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。

一种协同显著性物体检测系统，包括：

编码器，接收输入图片组，对图片组进行编码，以提取特征图；

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；

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。

作为可选择的实施方式，还包括全局协同学习模块，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；

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。

作为可选择的实施方式，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。