公开(公告)号：CN117011549A

公开(公告)日：2023-11-07

申请号：CN202311027838.5

申请日：2023-08-15

Applicant: 上海应用技术大学

Inventor： 郭倩倩 ,  石艳娇

IPC: G06V10/44 ,  G06V10/52 ,  G06V10/771 ,  G06V10/80 ,  G06V10/774 ,  G06V10/30 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/084

Abstract: 本发明涉及一种基于多尺度特征聚合的显著目标检测方法，对数据集中的图像进行预处理，获得所需训练数据；构建卷积神经网络模型：所述网络结构采用编码‑解码模式，包括骨干网络，细节优化模块，空洞卷积多尺度特征模块，特征聚合模块；本发明利用预处理后获得的所需训练数据，对所构建的卷积神经网络模型进行训练；将已训练好的卷积神经网络模型用于图像显著目标检测。改进了已有的空洞卷积方式，消除了高层次特征中由一般空洞卷积的信息损失，它最大限度地保留了原始特征的细节。并且本发明有区分的处理高级特征与低级特征，使多级多尺度特征能够最大限度的保留信息，使检测结果更加精准。

公开(公告)号：CN118230106A

公开(公告)日：2024-06-21

申请号：CN202410372937.5

申请日：2024-03-29

Applicant: 上海应用技术大学

Inventor： 石艳娇 ,  欧彦伶 ,  崔柳 ,  张晴

IPC: G06V10/80 ,  G06V10/82 ,  G06V10/26 ,  G06V10/44 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0895

Abstract: 本发明公开了一种基于增强涂鸦注释的弱监督显著性目标检测方法，包括：标签扩展方法，该标签扩展方法在公开的涂鸦数据集S‑DUTS上扩展原始标签，将扩展后的标签输入自适应网络SANet框架中训练，通过挖掘高层特征中潜在的语义信息和低层特征中包含的结构信息以及信息交互融合模块，实现不同层级特征之间的有效融合；同时，训练过程中通过自适应边界对齐模块结合自适应门控损失，使得模型可以在不引入其他辅助信息的情况下感知目标最优边界。根据本发明，在五个基准数据集上与最先进的弱监督和无监督方法相比均达到了具有竞争力的性能，超过了一些完全监督方法的性能，在不增加人工成本的情况下获取更有效的涂鸦注释，通过自适应边界对齐ABA模块来增强跨尺度边缘信息，并在不需要补充边缘数据的情况下学习更多的细节信息。

公开(公告)号：CN117197437A

公开(公告)日：2023-12-08

申请号：CN202311182691.7

申请日：2023-09-13

Applicant: 上海应用技术大学

Inventor： 杨谨瑜 ,  石艳娇

IPC: G06V10/25 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/09

Abstract: 本发明涉及一种全监督的显著目标检测方法，构建完整的多分支特征融合细化网络MFFRNet作为显著目标检测模型；再将数据集中训练集输入到提出的MFFRNet模型中训练，每完成一轮就会反向传播一次，以优化MFFRNet模型参数；用数据集中测试集对模型进行性能评估；最终，评估后模型用于显著目标检测。该模型有效的融合了低级特征的细节信息和高级特征的语义信息。针对低级特征设计的模块利用非对称卷积来减少背景噪声和其他干扰因素，以及一个针对高级特征设计的模块获得丰富的语义信息。同时，针对频繁的上采样造成的混叠效应做出了有效的处理。该方法有效地捕捉显著性对象并获得显著性预测图，有较强的鲁棒性。