(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211113259.8 (22)申请日 2022.09.14 (71)申请人 华洋通信科技股份有限公司 地址 221100 江苏省徐州市铜山区珠 江路 北银山路东 (72)发明人 顾军　李升　程训龙　王海君　 梁松　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 田凌涛 (51)Int.Cl. G06V 10/25(2022.01) G06V 10/46(2022.01) G06V 10/42(2022.01) G06V 10/44(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于多通道激活优化的图像快速显著 性检测方法 (57)摘要 本发明公开了一种基于多通道激活优化的 图像快速显著性检测方法。 该检测方法设计了基 于孪生网络的编码 ‑解码结构。 编码部分， 使用 EfficientNetV2 ‑M卷积神经网络对图像全局特 征进行捕捉， 并采用共享参数策略进一步降低模 型参数量。 同时， 本方法设计了多通道低级特征 激活优化策略， 即集成24通道的颜色、 亮度和对 比度三种手工特征进行优化显著性局部细节表 达， 弥补了传统显著性检测方法中因过度依赖深 度网络结构带来的不可解释性。 解码部分， 采用 四个上采样卷积块和1 ×1卷积层进行特征尺寸 恢复， 得到原图大小的显著性图像。 整体地， 双支 路孪生网络同时兼顾了图像的全局特征和局部 特征， 在准确性和推理速度之间取得良好的平衡 效果， 解决了当下主流方法为追求高性能而伴随 的网络深度不断加深导致的模型尺寸较大的问 题。 权利要求书1页 说明书6页 附图2页 CN 115457259 A 2022.12.09 CN 115457259 A 1.一种基于多通道激活优化的图像快速 显著性检测方法， 其特 征在于， 基于预设的图像快速 显著性检测模型实现图像快速 显著性检测； 所述预设的图像快速显著性检测模型包括： 多通道激活优化模块、 局部特征提取模块、 全局特征提取模块和上采样模块； 所述局部特征提取模块和全局特征提取模块为相同的主干网络， 即孪生网络 Efficientnet V2‑M； 所述基于多通道激活优化的图像快速 显著性检测方法包括如下步骤： S1： 所述多通道激活优化模块提取预先输入的目标图像的颜色、 亮度和方向的多通道 低级视觉特征， 并生成多通道激活优化图； S2： 所述局部特征提取模块对所述多通道激活优化图进行局部特征的提取， 并得到局 部显著性特 征图； S3： 所述全局特征提取模块对所述预先输入的目标图像进行全局特征的提取， 并得到 全局显著性特征图， 接着所述孪生网络EfficientnetV2 ‑M之间采用参数共享的方式互相学 习所述局部 显著性特 征图和所述全局显著性特 征图； S4： 基于上述步骤S3的学习结果将所述局部显著性特征图和全局显著性特征图进行拼 接融合， 得到拼接融合的特征图， 最后所述上采样模块对所述拼接融合的特征图进行尺度 恢复和加权操作， 并生成最终的显著性图像。 2.根据权利要求1所述的基于多通道激活优化的图像快速显著性检测方法， 其特征在 于， 所述Efficientnet V2‑M卷积神经网络包括： MBCo nv模块和Fused ‑MBConv模块； 所述MBConv模块包括： 扩展卷积层Expansion  Conv1×1、 深度可分离卷积层Depthwise   Conv3×3和SE模块； 所述Fused ‑MBConv模块包括： 传统标准卷积层co nv3×3和SE模块。 3.根据权利要求2所述的基于多通道激活优化的图像快速显著性检测方法， 其特征在 于， 所述SE模块用于衡量模型通道之间的相互依赖性， 包 含： 压缩和激励两 部分。 4.根据权利要求3所述的基于多通道的图像快速显著性检测模型的检测方法， 其特征 在于， 所述 步骤S1中， 采用Mark ov链方法对局部特 征图进行激活优化计算。 5.根据权利要求4所述的基于多通道的图像快速显著性检测模型的检测方法， 其特征 在于， 所述 步骤S4中， 所述上采样模块采用四个上采样卷积块作为解码器架构； 所述上采样模块中的所有卷 积层都采用了ReLU非线性激活函数， 并且最后一个卷积层为具有Sigmoid非线性激活函数 的1×1卷积层。权　利　要　求　书 1/1 页 2 CN 115457259 A 2一种基于多通道激活优化的图像快速显著性检测方 法 技术领域 [0001]本发明涉及显著性检测技术领域， 尤其涉及一种基于多通道激 活优化的图像快速 显著性检测方法。 背景技术 [0002]图像显著性检测是指通过智能算法模拟人眼的视觉聚焦特点， 提取图像中的显著 区域， 即人类感兴趣的区域。 目前， 随着深度学习技术的发展， 显著性预测效果得到了迅速 的提高， 但由于网络层数的不断增加， 模型结构的越加复杂， 高精度预测的同时也普遍伴随 较慢推理速度的问题， 在应用场景中大 大受到限制。 [0003]以上可见， 现有技术中的图像显著性检测方法因过度依赖神经网络， 容易造成检 测模型的可解释性差、 规模较大、 推理速度较慢和计算负荷较大的问题。 发明内容 [0004]针对以上问题， 本发明提出一种基于多通道激活优化的图像快速显著性检测方 法。 [0005]为实现本发明的目的， 本发明提出一种基于多通道激活优化的图像快速显著性检 测方法， [0006]该方法基于预设的图像快速 显著性检测模型实现图像快速 显著性检测； [0007]所述预设的图像快速显著性检测模型包括： 多通道激活优化模块、 局部特征提取 模块、 全局特 征提取模块和上采样模块； [0008]所述局部特征提取模块和全局特征提取模块为相同的主干网络， 即孪生网络 Efficientnet V2‑M； [0009]所述基于多通道激活优化的图像快速 显著性检测方法包括如下步骤： [0010]S1： 所述多通道激活优化模块提取预先输入的目标图像 的颜色、 亮度和方向的多 通道低级视 觉特征， 并生成多通道激活优化图； [0011]S2： 所述局部特征提取模块对所述多通道激活优化图进行局部特征的提取， 并得 到局部显著性特 征图； [0012]S3： 所述全局特征提取模块对所述预先输入的目标图像进行全局特征的提取， 并 得到全局显著性特征图， 接着所述孪生网络EfficientnetV2 ‑M之间采用参数共享的方式互 相学习所述局部 显著性特 征图和所述全局显著性特 征图； [0013]S4： 基于上述步骤S3的学习结果将所述局部显著性特征图和全局显著性特征图进 行拼接融合， 得到拼接融合的特征图， 最后所述上采样模块对所述拼接融合的特征图进行 尺度恢复和 加权操作， 并生成最终的显著性图像； [0014]进一步地， 所述EfficientnetV2 ‑M卷积神经网络包括： MBConv模块和Fused ‑ MBConv模块； [0015]所述MBConv模块包括： 扩展卷积层Expansion  Conv1×1、 深度可分离卷积层说　明　书 1/6 页 3 CN 115457259 A 3