科创中国

电子信息技术

本发明公开了一种基于边界感知神经网络的双目显著物体检测方法。采用多尺度的卷积神经网络，通过两个输入的方式构建双流的神经网络。并在池化层逐步的对图像进行缩小，进行编码，从而提升卷积核的感受野。在提升程序运行速度的同时又可以快速的确定物体的位置信息。其次使用上采样进行译码，逐步的恢复图像在细节位置的像素，从而提高最终的准确率。采用视差图对神经网络进行了优化。弥补了单纯的2D彩色图像在背景和物体颜色，对比度等相似的情况下，信息不足的缺点。从而使得结果更接近真实的人类观察物体的情况。

特征提取网络块包括依次连接的第一个卷积神经网络块、第二个卷积神经网络块、第一个最大池化层、第三个卷积神经网络块、第四个卷积神经网络块、第二个最大池化层、第五个卷积神经网络块、第六个卷积神经网络块、第七个卷积神经网络块、第三个最大池化层、第八个卷积神经网络块、第九个卷积神经网络块、第十个卷积神经网络块、第四个最大池化层、第十一个卷积神经网络块、第十二个卷积神经网络块和第十三个卷积神经网络块。 注意力机制网络块包括第一个SEM网络块，第二个SEM网络块，第三个SEM网络块以及依次连接的第一个add层、第十四个卷积神经网络块，第一个上采样层，第十五个卷积神经网络块、第二个上采样层、第十六个卷积神经网络块、第三个上采样层，第十七个卷积神经网络块、第四个上采样层和第十八个卷积神经网络块，彩色图输入到第一个卷积神经网络块中，第十一个卷积神经网络块、第十二个卷积神经网络块和第十三个卷积神经网络块的输出分别对应连接到第一个SEM网络块，第二个SEM网络块和第三个SEM网络块的输入，三个SEM网络块的输出共同连接到第一个add层的输入。

周武杰，1983年9月出生，副教授/博士后，硕士生导师，浙江省电子学会理事，IEEE成员，CCF成员，中国人工智能学会会员，浙江省“计算机科学与技术”一流学科B类方向负责人。2012年入选"青年骨干教师"，2015年入选"优秀青年教师资助计划"，2016年入选"科大青年英才"，2022年入选斯坦福大学发布的全球前2%顶尖科学家榜单。浙江大学信息与通信工程专业博士后，国家留学基金委公派新加坡南洋理工大学访问学者。主要从事人工智能与深度学习、机器视觉与模式识别、图像处理等方面的研究;近几年以第一作者在AAAI、TIP、TNNLS、TCSVT、TMM、TITS、TSTSP、TSMC、TBC、TGRS、TCI、MIS、TCDS、TETCI、TIV、PR和中国科学等国际权威SCI期刊或核心期刊上发表学术论文50多篇

点击查看