[发明专利]基于深度神经网络色彩感知的显著性预测方法及装置

摘要

本发明公开了基于深度神经网络色彩感知的显著性预测方法及装置，方法包括：将细粒度样本图像输入到预设的第一VGG网络，并将粗粒度样本图像输入到预设的第二VGG网络中，得到对应于粗粒度样本图像的第一特征图，以及对应于细粒度样本图像的第二特征图；利用特征融合算法，得到融合图像；将融合图像的特征图与融合图像进行乘法处理，进而得到预测的显著图；判断交叉熵损失函数的值是否收敛；若是，将第一VGG网络、第二VGG网络以及通道加权子网络组成的网络作为目标网络模型，并使用所述目标网络模型进行待检测图像的显著性预测；若否；调整模型权重、超参数，直至收敛。应用本发明实施例，可以实现符合人眼感知的显著性预测。

主权项

1.基于深度神经网络色彩感知的显著性预测方法，其特征在于，所述方法包括：1)、针对获取的彩色图像的样本集中的每一张样本图像，将所述样本图像转换为粗粒度样本图像和细粒度样本图像，其中，所述细粒度样本图像中的图像的分辨率高于所述粗粒度样本图像中的图像的分辨率；2)、将细粒度样本图像输入到预设的第一VGG网络，并将粗粒度样本图像输入到预设的第二VGG网络中，得到对应于粗粒度样本图像的第一特征图，以及对应于细粒度样本图像的第二特征图；3)、利用特征融合算法，将所述第一特征图与所述第二特征图进行融合处理，得到融合图像；4)、使用预先建立的通道加权子网络识别出融合图像的特征图；将融合图像的特征图与融合图像进行乘法处理，得到目标图像；使用预设的卷积核对所述目标图像进行卷积处理，得到预测的显著图；5)、获取所述预测的显著图与对应于所述样本图像的人眼注视图之间的交叉熵损失函数，并判断所述交叉熵损失函数的值是否收敛；6)、若是，将第一VGG网络、第二VGG网络以及通道加权子网络组成的网络作为目标网络模型，并使用所述目标网络模型进行待检测图像的显著性预测；7)、若否；调整所述第一VGG网络和/或第二VGG网络和/或通道加权子网络中的模型权重和/或超参数，并返回执行步骤2)，直至所述交叉熵损失函数的值收敛。