[发明专利]基于多层融合的卷积神经网络RGB-D显著性检测方法在审
| 申请号： | 201910134631.5 | 申请日： | 2019-02-23 |
| 公开（公告）号： | CN109903276A | 公开（公告）日： | 2019-06-18 |
| 发明（设计）人： | 黄睿;周末 | 申请（专利权）人： | 中国民航大学 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;G06T7/50;G06N3/04 |
| 代理公司： | 天津市北洋有限责任专利代理事务所 12201 | 代理人： | 李林娟 |
| 地址： | 300300 天*** | 国省代码： | 天津;12 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于多层融合的卷积神经网络RGB‑D显著性检测方法，包括：将VGG16网络中的全连层模块FC6和FC7转变为全卷积层、结合卷积层CONV1‑CONV5组成新的卷积神经网络；对新的卷积神经网络依次进行降维和融合操作，得到初始迭代的显著性检测结果；采用迭代优化对初始迭代的显著性检测结果进行细化；采用不同的训练数据对新的卷积神经网络依次进行初始化训练、第一第二次微调训练；对训练后的结果，使用显著性物体的最小包围框，对输入图像进行剪切和镜面翻转，获取显著性检测结果。本发明设计了有效的CNN模型，融合RGB和深度信息，并捕获显著对象的多尺度特征，融合了从较高层到较低层的卷积特征，以解决显著性物体的尺度问题。 | ||
| 搜索关键词： | 卷积神经网络 显著性 检测结果 融合 卷积 显著性物体 迭代 多层 多尺度特征 尺度问题 迭代优化 镜面翻转 深度信息 输入图像 显著对象 训练数据 剪切 包围框 初始化 较低层 较高层 检测 微调 细化 捕获 网络 | ||
【主权项】：
1.一种基于多层融合的卷积神经网络RGB‑D显著性检测方法，其特征在于，所述方法包括：将VGG16网络中的全连层模块FC6和FC7转变为全卷积层、结合卷积层CONV1‑CONV5组成新的卷积神经网络；对新的卷积神经网络依次进行降维和融合操作，得到初始迭代的显著性检测结果；采用迭代优化对初始迭代的显著性检测结果进行细化；采用不同的训练数据对新的卷积神经网络依次进行初始化训练、第一第二次微调训练；对训练后的结果，使用显著性物体的最小包围框，对输入图像进行剪切和镜面翻转，获取显著性检测结果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国民航大学，未经中国民航大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910134631.5/，转载请声明来源钻瓜专利网。
