申请/专利权人：大连理工大学人工智能大连研究院;东北大学

申请日：2020-07-17

公开（公告）日：2020-10-23

公开（公告）号：CN111814895A

主分类号：G06K9/62(20060101)

分类号：G06K9/62(20060101);G06K9/46(20060101);G06N3/04(20060101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2020.11.10#实质审查的生效;2020.10.23#公开

摘要：本发明公开本发明涉及基于绝对和相对深度诱导网络的显著性目标检测方法，包括如下步骤：以残差网络为主干网络的深度诱导网络训练；绝对深度诱导模块跨模态特征融合，定位物体；相对深度诱导模块建立空间几何模型补充细节信息。本发明不仅从残差网络中提RG图像特征，而且提出利用深度信息来帮助显著性目标检测任务，绝对深度诱导模块RGB图像特征和深度图像信息以从粗到细的方式跨模态融合利用，避免了由于两个空间的异步特性而引起的杂乱噪声干扰；相对深度诱导模块建立空间图卷积模型探索空间结构和几何信息，以增强局部特征表示能力，从而提高检测的准确性以及鲁棒性，使其可达到极好的检测效果，具有广阔的应用前景。

主权项：1.一种基于绝对和相对深度诱导网络的显著性目标检测方法，其特征在于，包括如下步骤：a.以残差网络为主干网络的深度诱导网络训练：将ResNet-50的最后池化层和全连接层移除，网络输入图像统一调整为256×256，并将数据集进行归一化处理，将五个卷积块生成的特征图通过金字塔的方式生成对应的侧输出图，然后在网络中自上而下的进行融合操作；b.绝对深度诱导模块跨模态特征融合，定位物体：将输入图像的深度图像输入到一组卷积中，得到一个与Res2_x特征映射尺寸相同的深度特征映射图，多次应用绝对深度诱导网络，以递归的方式将深度特征图和RGB特征图集成在一起，实现跨模态的特征融合，避免了简单的融合两种异步模态特征，带来的噪音干扰，加强了深度和颜色特征之间的深度交互作用，可以在每个尺度上自适应地融合RGB和深度特征；c.相对深度诱导模块建立空间几何模型补充细节信息：首先将来自解码网络最后阶段Res5_x的特征图进行上采样并与绝对深度诱导模块跨模态融合得到的特征图集成在一起，生成新的特征图，然后将其和绝对深度诱导模块产生的深度图共同输入到相对深度诱导模块中，来探索图像的空间结构和详细的显着性信息，将相对深度信息包裹在网络中以提高显着性模型的性能。

全文数据：

权利要求：

百度查询： 大连理工大学人工智能大连研究院;东北大学 基于绝对和相对深度诱导网络的显著性目标检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD