[发明专利]显著性压缩的方法、系统、存储介质、计算机设备及应用

权利要求书

1.一种显著性压缩的方法，其特征在于，所述显著性压缩的方法包括：对于显著性检测模块采用U2Net网络实现；对于图像压缩模块的架构基于基本模型，引入注意力通道方法，改进离散高斯混合模型，最后加入解码器增强模块。

2.如权利要求1所述的显著性压缩的方法，其特征在于，所述显著性压缩的方法包括以下步骤：

步骤一，采用U2Net网络实现显著性检测模块；

步骤二，对比残差块融合局部特征与多尺度特征，提出整体网络架构；

步骤三，根据U-Net和非局部残差，提出ResU来提取阶段内多尺度特征；

步骤四，输入卷积层，通过普通卷积层将原始特征图转成中间图F1(x)；

步骤五，以中间特征图F1(x)为输入，通过U-block学习和编码多尺度上下文信息；最后通过F1(x)和U(F1(x))融合局部特征与多尺度特征；

步骤六，提出注意力通道方法，改进离散高斯模型，最后引入解码器增强，实现图像压缩架构的构建；所述解码器增强，包括：

在图像重建后的解码器端引入增强模块；在输入的重构图像的基础上，采用几个残差块恢复原始图像；根据受超分辨率网络设计策略，引入残差块学习高频信息，用于图像压缩，包括：

增加一个卷积层，将信道维数从3增加到32；将三个增强块应用到卷积层的输出，每个增强块都有三个剩余块；通过卷积层和残差运算得到重构图像，学习到的图像是最终卷积层之后的输出；其中，学习到的所述残差图像包含高频信息。

3.如权利要求2所述的显著性压缩的方法，其特征在于，步骤六中，所述注意力通道方法，包括：

(1)引入轻量级的注意通道模型，设输入特征映射为X,，其中I、J、C分别表示特征映射的高、宽、通道维数，应用全局平均池化来获得信道统计量t∈RC，公式如下：

其中，t表示t和x的第c项c(i,j)表示输入特征映射x的第c通道特定值；

(2)应用几个非线性变换来捕捉通道之间的关系；其中，所述非线性变换的描述公式如下：

s＝σ(W₂δ(W₁t))；

其中，s指输出通道方向的注意值，和表示完全连接的层，δ是非线性变换的ReLU激活函数，σ表示Sigmoid激活，r设为16；

(3)用s重新缩放输入特征映射X，并在实现中添加残差操作。

4.如权利要求2所述的显著性压缩的方法，其特征在于，步骤六中，所述改进离散高斯模型，包括：

高斯混合模型由下述公式表示：

采用离散的高斯混合模型，由高斯混合构成的熵模型由下述公式表示：

其中，i表示特征图中的位置，k表示混合高斯模型的数量；每个高斯模型有三组参数，即权重，均值，和方差；实验中，k＝3，即使用3个混合高斯模型。