(19)中华人民共和国国家知识产权局
(12)发明专利说明书 | ||
(10)申请公布号 CN 107169954 A (43)申请公布日 2017.09.15 | ||
(21)申请号 CN201710253255.2
(22)申请日 2017.04.18
(71)申请人 华南理工大学
地址 510640 广东省广州市天河区五山路381号
(72)发明人 王伟凝 肖纯 师婷婷 赵明权
(74)专利代理机构 广州市华学知识产权代理有限公司
代理人 陈文姬
(51)Int.CI
权利要求说明书 说明书 幅图 |
(54)发明名称
一种基于并行卷积神经网络的图像显著性检测方法 | |
(57)摘要
本发明公开了一种基于并行卷积神经网络的图像显著性检测方法：包括以下步骤：(1)设计并行卷积神经网络结构；(2)设计两种网络输入图，并针对输入定义基于超像素的标签；(3)数据集平衡化处理与输入预处理；(4)模型训练：所述模型包括数据预处理模块和并行卷积神经网络结构；(5)对目标图像使用已训练好的模型计算显著图。本发明能有效检测显著主体的内在语义以及与背景的差异，从全局和局部角去检测显著性，实现自动对图像进行显著性检测。 | |
法律状态
法律状态公告日 | 法律状态信息 | 法律状态 |
权 利 要 求 说 明 书
1.一种基于并行卷积神经网络的图像显著性检测方法,其特征在于,包括以下步骤:
(1)设计并行卷积神经网络结构;所述并行卷积神经网络结构包括全局角度检测模块CNN-G和局部角度检测模块CNN-L;
所述全局角度检测模块CNN-G为单路卷积神经网络;所述局部角度检测模块CNN-L为双路并行卷积神经网络;所述全局角度检测模块CNN-G和局部角度检测模块CNN-L通过一个全连接层实现并行;
(2)设计两种网络输入图,并针对输入定义基于超像素的标签;所述网络输入图包括全局填充图和局部裁剪图;
所述全局填充图以超像素为中心、包含原图全部信息的填充图,代表全局特征,作为全局角度检测模块CNN-G的输入;
所述局部裁剪图以超像素为中心、包含超像素领域细节信息的裁剪图,代表局部特征,作为局部角度检测模块CNN-L的输入;
(3)数据集平衡化处理与输入预处理;
(4)模型训练:所述模型包括数据预处理模块和并行卷积神经网络结构;
(5)对目标图像使用已训练好的模型计算显著图。
2.根据权利要求1所述的基于并行卷积神经网络的图像显著性检测方法,其特征在于,步骤(2)所述针对输入定义基于超像素的标签,具体为:
超像素标签由超像素与显著图真实标注的重叠率决定,若大于设定的阈值则标签为1,视为显著;反之,若重叠率小于设定的阈值则标签为0,视为非显著。
3.根据权利要求1所述的基于并行卷积神经网络的图像显著性检测方法,其特征在于,步骤(3)所
述数据集平衡化处理,具体为:
对一张图像所取得的正样本全部采用,并随机选取与正样本数量一致的负样本;将所有样本的规格归一化到256*256大小。
4.根据权利要求1所述的基于并行卷积神经网络的图像显著性检测方法,其特征在于,步骤(1)所述并行卷积神经网络结构的前5层为5个卷积层;第一层卷积层有96个卷积核,大小为11*11*3;第2层有256个卷积核,大小为5*5*48。第三层卷积层有384个核,大小为3*3*256;第四层卷积层有384个核,大小为3*3*192;第5层卷积层有256个核,大小为3*3*192;前两层和第五层卷积层的后面都接一层池化层和一层正则化层。
5.根据权利要求4所述的基于并行卷积神经网络的图像显著性检测方法,其特征在于,步骤(1)所述并行卷积神经网络结构的同层卷积层参数共享,以学习尺度不变性特征。
6.根据权利要求4所述的基于并行卷积神经网络的图像显著性检测方法,其特征在于,步骤(4)中,所述并行卷积神经网络的训练包括以下步骤:
(4-1)网络参数初始化;
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论