[发明专利]一种基于超大感受野特征优化的显著性目标检测方法

权利要求书

1.一种基于超大感受野特征优化的显著性目标检测方法，其特征在于，该方法包括一下步骤：

(1)将ResNet-50作为主干框架对RGB图像提取多尺度特征信息然后进行编码；

(2)利用超大感受野特征机制优化多尺度特征生成高质量特征；

(3)利用隐形关系特征融合机制将优化后的特征进行互补性融合，然后生成最终显著性图。

2.根据权利要求1所述的基于超大感受野特征优化的显著性目标检测方法，其特征在于：所述步骤(1)具体方法是：

2.1)收集显著性目标检测领域常用的RGB图像数据集，MSRA-10K数据集、SOD数据集、ECSSD数据集、HKU-IS数据集、PASCA-S数据集。

2.2)将HKU-IS和MSRA-10K数据集作为训练数据集，将PASCA-S数据集、SOD数据集、THUS数据集、ECSSD数据集作为测试数据集。

2.3)将预训练好的ResNet-50作为主干框架从输入RGB图像数据集提取多尺度特征，然后对多尺度特征进行编码(Res_1、Res_2、Res_3、Res_4、Res_5)。

3.根据权利要求1所述的基于超大感受野特征优化的显著性目标检测方法，其特征在于：所述步骤(2)具体方法是：

3.1)将多尺度特征输入超大感受野特征优化机制，输入特征和相关侧输出特征通过卷积核为1×1、3×3、1×5和5×1、1×7和7×1的卷积操作生成特征(T1、T2、T3、T4)。

其中Conv_i(i＝1,3,5,7)分别为卷积核为1×1、3×3、1×5和5×1、1×7和7×1的卷积操作，Res_i为从ResNet-50中提取的多尺度特征，up(x)为上采样操作。

3.2)步骤3.1中生成特征T1、T2、T3、T4分别输入到卷积核为3×3，其中填充率分别为(0,2,4,8)，并进行空洞卷积操作生成特征Z1、Z2、Z3、Z4。

Zi＝astrous(Ti)

其中i＝1,2,3,4，astrous(x)为卷积核大小为3×3填充率分别为(0,2,4,8)的空洞卷积操作。

3.3)步骤3.2种生成特征Z1、Z2、Z3、Z4、Res_i进行特征聚合生成优化后的特征Pi(i＝1,2,3,4,5)

Pi＝concat(Res-i+up(Z1)+up(Z2)+up(Z3)+up(Z4))

其中concat(x)为特征聚合操作，Res-i(i＝1,2,3,4,5)为ResNet-50中提取的多尺度特征，up(x)为上采样操作。

4.根据权利要求1所述的基于超大感受野特征优化的显著性目标检测方法，其特征在于：所述步骤(3)具体方法是：

4.1)将超大感受野特征优化机制中生成的特征P1、P2、P3、P4、P5输入到隐形关系特征融合机制多尺度特征进行层次性融合，生成高质量特征F1、F2、F3、F4、F5。

其中concat(x)为特征聚合操作，up(x)为上采样操作。

4.2)将生成的F1利用卷积核大小是1×1的卷积操作和sigmoid(x)函数生成最终显著性图M。

M＝s(conv1(F1))

其中s(x)是sigmoid(x)函数，conv1(x)是卷积核为1×1的卷积操作。