1.一种基于深度学习的协同显著性检测方法,其特征在于,包括以下步骤:步骤一:给定一个包含N个图像的图像组步骤二:通过预训练的特征提取网络提取图像组步骤三:将一组图像的特征图F∈R步骤四:将特征图f∈R步骤五:基于特征图f和共识E得到共同显著性目标特征图,将其与特征提取网络中不同尺度的特征图进行自上而下的迭代,得到协同显著性图;
在步骤三中,包括以下步骤:将一组图像的特征图F∈RA
f=concat([f在公式(1)中,maxpool每一组注意力映射经过公式(2)中的特征分布后得到细化的特征映射集f分组注意力模块的输出f是通过公式(3)连接每一组的特征映射集得到的;
在步骤四中,包括以下步骤:首先,对输入的特征图f∈RS=θ(f)
其中,θ和φ为线性嵌入函数;
然后,计算亲和图S
使用一个softmax函数来规范A再将注意力图A
最后通过对注意力特征图f在步骤五中,包括以下步骤:将图像组的特征图f∈R步骤(2)中采用在ImageNet预训练的VGG-16对输入的图像组进行特征提取,其分支VGG-16_1,VGG-16_2,VGG-16_3,VGG-16_4提取的特征为F然后依次按照如下步骤进行自上而下解码:其中,(·)↑为上采样,将L(·)为2个卷积层,将FE(·)是两个64核卷积层;
D(·)用于深度监督,通过两个卷积层和一个sigmoid层输出预测;最终S在训练过程中损失函数如下:其中S