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。
2.根据权利要求1所述的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,所述细粒度样本图像中的图像的分辨率为所述粗粒度样本图像中的图像的分辨率的第一预设数量倍。
3.根据权利要求1所述的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,所述第一VGG网络包括:依次串联的第5个处理单元,其中,第一个处理单元以及第二个处理单元均包括:2个卷积核以及一个最大池化层;
第三个处理三元、第四个处理单元以及第五个处理单元均包括:三个卷积核以及一个最大池化层。
4.根据权利要求1所述的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,所述第二VGG网络包括:依次串联的第5个处理单元,其中,第一个处理单元以及第二个处理单元均包括:2个卷积核以及一个最大池化层;
第三个处理三元、第四个处理单元以及第五个处理单元均包括:三个卷积核以及一个最大池化层。
5.根据权利要求1所述的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,在步骤3),之前,所述方法还包括:针对所述第二特征图图进行上采样处理,得到的第二特征图上采样图;
所述步骤3),包括:
利用特征融合算法,将所述第一特征图与第二特征图的上采样图进行融合处理,得到融合图像。
6.根据权利要求1所述的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,所述通道加权子网络,包括:依次设置尺寸为2*2,且步长为2的最大池化层;一个特征展平层以及一个全连接层。
7.基于深度神经网络色彩感知的显著性预测装置,其特征在于,所述装置包括:转换模块,用于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;
输入模块,用于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;
融合模块,用于利用特征融合算法,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;
卷积模块,用于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;
判断模块,用于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;
检测模块,用于在所述判断模块的判断结果为是的情况下,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;
调整模块,用于在所述判断模块的判断结果为是的情况下,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,并触发输入模块。
8.根据权利要求7所述的基于深度神经网络色彩感知的显著性预测装置,其特征在于,所述细粒度样本图像中的图像的分辨率为所述粗粒度样本图像中的图像的分辨率的第一预设数量倍。
9.根据权利要求7所述的基于深度神经网络色彩感知的显著性预测装置,其特征在于,所述第一VGG网络包括:依次串联的第5个处理单元,其中,第一个处理单元以及第二个处理单元均包括:2个卷积核以及一个最大池化层;
第三个处理三元、第四个处理单元以及第五个处理单元均包括:三个卷积核以及一个最大池化层。
10.根据权利要求7所述的基于深度神经网络色彩感知的显著性预测装置,其特征在于,所述第二VGG网络包括:依次串联的第5个处理单元,其中,第一个处理单元以及第二个处理单元均包括:2个卷积核以及一个最大池化层;
第三个处理三元、第四个处理单元以及第五个处理单元均包括:三个卷积核以及一个最大池化层。