1.一种基于多层非局部网络的视觉显著性检测方法,其特征在于,
获取待检测的图像数据集;
将待检测的图像数据集输入到预先训练好的显著性检测模型,得到显著性图像集;所述预先训练好的显著性检测模型为以损失函数的最小值为目标进行训练得到的多层非局部网络模型。
2.根据权利要求1所述的基于多层非局部网络的视觉显著性检测方法,其特征在于,所述多层非局部网络模型为基于VGG16的架构的多层非局部神经网络。
3.根据权利要求2所述的基于多层非局部网络的视觉显著性检测方法,其特征在于,所述基于VGG16的架构的多层非局部神经网络包括依次连接的输入层、编码器模块、多尺度特征模块、解码器模块和输出层;
所述编码器模块包括依次连接的第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元和第五卷积单元;其中,第一卷积单元和第二卷积单元均由依次连接的两个卷积核为3×3的卷积层和一个最大池化层构成,第三卷积单元、第四卷积单元和第五卷积单元均由依次连接的三个卷积核为3×3的卷积层、一个最大池化层和一个非局部模块层构成;
所述多尺度特征模块包括依次连接的第一卷积层、第二膨胀卷积层、第三膨胀卷积层、第四膨胀卷积层、均值层和第五卷积层;其中,第一卷积层是卷积核为1×1的卷积层,第二膨胀卷积层是卷积核为3×3、膨胀率为4的卷积层,第三膨胀卷积层是卷积核为3×3、膨胀率为8的卷积层,第四膨胀卷积层是卷积核为3×3、膨胀率为12的卷积层,第五卷积层是卷积核为1×1的卷积层,均值层的输入是第四膨胀卷积层的输出,在保证该输入大小不变的条件下,求得输入的均值,将其作为第五卷积层的输入;
所述解码模块包括依次连接的第一反卷积单元、第二反卷积单元和第三反卷积单元;
其中,第一反卷积单元、第二反卷积单元、第三反卷积单元均由一个上采样层和一个卷积核为3×3卷积层构成。
4.根据权利要求1所述的基于多层非局部网络的视觉显著性检测方法,其特征在于,所述损失函数为:其中,N为数据集中图像的总个数,i表示第i个图像的下标,KLi、NSSi、SSIMi分别为第i个图像的相对熵、标准化扫描路径显著性和结构相似性。
5.一种基于多层非局部网络的视觉显著性检测系统,其特征在于,包括:
获取模块,用于获取待检测的图像数据集;
处理模块,用于将待检测的图像数据集输入到预先训练好的显著性检测模型,得到显著性图像集;所述预先训练好的显著性检测模型为以损失函数的最小值为目标进行训练得到的多层非局部网络模型。
6.根据权利要求5所述的基于多层非局部网络的视觉显著性检测系统,其特征在于,所述处理模块包括模型构建模块,用于构建基于VGG16的架构的多层非局部神经网络。
7.根据权利要求6所述的基于多层非局部网络的视觉显著性检测系统,其特征在于,所述模型构建模块用于构建依次连接的输入层、编码器模块、多尺度特征模块、解码器模块和输出层;
所述编码器模块,包括依次连接的第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元和第五卷积单元;其中,第一卷积单元和第二卷积单元均由依次连接的两个卷积核为3×3的卷积层和一个最大池化层构成,第三卷积单元、第四卷积单元和第五卷积单元均由依次连接的三个卷积核为3×3的卷积层、一个最大池化层和一个非局部模块层构成;
所述多尺度特征模块包括依次连接的第一卷积层、第二膨胀卷积层、第三膨胀卷积层、第四膨胀卷积层、均值层和第五卷积层;其中,第一卷积层是卷积核为1×1的卷积层,第二膨胀卷积层是卷积核为3×3、膨胀率为4的卷积层,第三膨胀卷积层是卷积核为3×3、膨胀率为8的卷积层,第四膨胀卷积层是卷积核为3×3、膨胀率为12的卷积层,第五卷积层是卷积核为1×1的卷积层,均值层的输入是第四膨胀卷积层的输出,在保证该输入大小不变的条件下,求得输入的均值,将其作为第五卷积层的输入;
所述解码模块包括依次连接的第一反卷积单元、第二反卷积单元和第三反卷积单元;
其中,第一反卷积单元、第二反卷积单元、第三反卷积单元均由一个上采样层和一个卷积核为3×3卷积层构成。
8.根据权利要求5所述的基于多层非局部网络的视觉显著性检测系统,其特征在于,所述处理模块包括损失函数确定模块,用于确定如下损失函数:其中,N为数据集中图像的总个数,i表示第i个图像的下标,KLi、NSSi、SSIMi分别为第i个图像的相对熵、标准化扫描路径显著性和结构相似性。