欢迎来到利索能及~ 联系电话:18621327849
利索能及
我要发布
收藏
专利号: 201710963435X
申请人: 天津工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2024-10-29
缴费截止日期: 暂无
联系人

摘要:

权利要求书:

1.一种基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法,包括下列步骤:步骤1:对原图像进行超像素聚类,并提取每个超像素的颜色、纹理和边缘特征,据此构成特征矩阵;

步骤2:基于梯度下降法学习得到特征变换矩阵;

步骤3:利用全卷积神经网络学习得到高层语义先验知识;

步骤4:利用特征变换矩阵和高层语义先验知识矩阵对特征矩阵进行变换;

步骤5:利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解,并根据分解得到的稀疏噪声计算显著图。

2.根据权利要求1所述基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法,其特征在于,步骤1中,利用mean-shift聚类算法对原图像进行聚类,提取每个像素的颜色、边缘和纹理共53维特征,据此构成特征矩阵。

3.根据权利要求1所述基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法,其特征在于,步骤2中,基于梯度下降法利用MSRA标记的数据库学习得到特征变换矩阵T。

4.根据权利要求1所述基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法,其特征在于,步骤3中,基于FCN网络利用MSRA数据库训练的得到FCN-8s模型,对于每一幅待处理图像,利用训练好的FCN-8s模型进行处理,输出基于FCN的语义先验知识,据此构建相应的高层语义先验知识矩阵P∈RN×N:其中pri表示FCN测试结果图像中超像素pi内所有像素的均值。

5.根据权利要求1所述基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法,其特征在于,步骤4中,利用学习得到的特征变换矩阵T和高层语义先验知识P对特征矩阵F进行变换,得到特征变换后的矩阵,A=TFP

d×N d×d N×N

其中,F∈R 是特征矩阵,T∈R 是学习的到的特征变换矩阵,P∈R 是高层先验知识矩阵。

6.根据权利要求1所述基于全卷积神经网络与低秩稀疏分解的感兴趣区域检测方法,其特征在于,步骤5中,利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解,求解如下公式:s.t.A=L+S

其中,A∈Rd×N是特征变换后的矩阵,L∈Rd×N表示低秩矩阵,S∈Rd×N表示稀疏矩阵,||·||*表示矩阵的核范数,即矩阵的所有奇异值之和,||·||1表示矩阵的 范数,即矩阵中所有元素的绝对值之和,由如下公式计算出显著图:Sal(pi)=||S*(:,i)||1

其中,S*是稀疏矩阵的最优解,Sal(pi)表示超像素pi的显著值,||S*(:,i)||1表示S*的第i列向量的 范数,即向量中所有元素的绝对值之和。