[发明专利]一种显著性目标检测方法、系统、计算机及可读存储介质

说明书

本发明提供了一种显著性目标检测方法、系统、计算机及可读存储介质，所述方法包括对原始检测图像以及原始训练图像进行预处理以得到处理检测图像以及处理训练图像；对处理检测图像进行特征卷积分离处理，以得到第一分支图像与第二分支图像；对第一分支图像与第二分支图像依次进行卷积增强与特征拼接融合，以得到检测特征图；对处理训练图像进行特征卷积分离处理、卷积增强与特征拼接融合，以得到训练特征图，将训练特征图输入预设网络模型中，训练预设网络模型的权重参数，以得到训练网络模型，将检测特征图输入训练网络模型中，输出显著性目标检测图，本发明能够提取到更加有效的特征并提高了显著性目标检测的精准度。

技术领域

本发明属于计算机视觉的技术领域，具体地涉及一种显著性目标检测方法、系统、计算机及可读存储介质。

背景技术

当今世界，随着数字图像和视频数据的大量产生和传输，人们的视觉信息接收负担不断增加，在这个信息爆炸的时代，如何快速高效地处理和分析这些大量的视觉数据，成为了人们关注的一个热门话题，为了应对这种情况，研究人员和工程师们提出了一系列基于计算机视觉技术的方法，例如显著性检测和语义分割等方法，这些方法旨在从视觉数据中自动提取出有用的信息，为后续的应用提供有力的支持。

其中，显著性检测是一种重要的技术手段，它可以自动从图像或视频中提取出最显著的目标区域，这些目标区域通常是人类视觉系统感知到的最重要、最突出的部分。显著性检测可以应用于多种场景，例如合成数据、人像抠图、背景替换和图像压缩等等，从而帮助人们可以更好地处理和分析大规模的视觉数据。

传统的图像显著性检测算法通常需要使用基于手工设计的特征方法来进行特征提取，例如颜色、纹理、形状和空间分布等特征，但是，这些手工设计的特征往往不能充分描述和理解复杂的应用场景和高级语义概念，由此，这些算法的泛化性能受到限制，容易出现性能瓶颈，为了提高图像显著性检测算法的效率和准确性，需要研究开发新的算法，如基于深度学习的特征提取模型，来克服这些限制。

现有的基于深度学习的目标显著性检测方法大都是设计出更加庞大的网络结构以增强其特征提取的能力，然而，在许多实际应用中，单纯的增大网络结构并不是一种最佳的提升精度策略，关键在于如何提取出更加有效的特征，综上，现有技术中的显著性目标检测算法提取到的特征有效性不强，进而影响显著性目标检测的精准度。

发明内容

为了解决上述技术问题，本发明提供了一种显著性目标检测方法、系统、计算机及可读存储介质，用于解决现有技术中存在的技术问题。

第一方面，该发明提供以下技术方案，一种显著性目标检测方法，所述方法包括：

获取原始检测图像以及原始训练图像，并对所述原始检测图像以及所述原始训练图像进行预处理，以得到处理检测图像以及处理训练图像；

对所述处理检测图像进行特征卷积分离处理，以得到第一分支图像与第二分支图像；

对所述第一分支图像与所述第二分支图像依次进行卷积增强与特征拼接融合，以得到检测特征图；

对所述处理训练图像进行特征卷积分离处理、卷积增强与特征拼接融合，以得到训练特征图，将所述训练特征图输入预设网络模型中，训练所述预设网络模型的权重参数，以得到训练网络模型，将所述检测特征图输入所述训练网络模型中，输出显著性目标检测图。