公开(公告)号：CN109598268B

公开(公告)日：2021-08-17

申请号：CN201811403402.0

申请日：2018-11-23

Applicant: 安徽大学

Inventor： 刘政怡 ,  段群涛 ,  石松

IPC: G06K9/32 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于单流深度网络的RGB‑D显著目标检测方法，包括以下步骤：S1、将RGB图像和Depth图像作为单流深度网络的四通道输入；S2、将VGG16作为基础网络，利用Conv5_3提取图像的高维特征，对高维特征进行操作，经过卷积、反卷积和卷积得到初始显著图；S3、将初始显著图，以及Depth数据作为DRCNN循环卷积结构的输入；DRCNN通过级联的方式，一步一步优化显著结果，详细描绘显著目标的边缘信息；最后连接一个权值融合层，通过自动学习权值，将显著结果融合得到最终显著图。本发明利用循环卷积神经网络，从低层向高层产生多级别特征，同时，从高层向低层逐步细化目标轮廓，借助RGB‑D图像所特有的Depth深度信息，可解决单靠颜色无法还原的目标轮廓的问题。

公开(公告)号：CN109598268A

公开(公告)日：2019-04-09

申请号：CN201811403402.0

申请日：2018-11-23

Applicant: 安徽大学

Inventor： 刘政怡 ,  段群涛 ,  石松

IPC: G06K9/32 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于单流深度网络的RGB-D显著目标检测方法，包括以下步骤：S1、将RGB图像和Depth图像作为单流深度网络的四通道输入；S2、将VGG16作为基础网络，利用Conv5_3提取图像的高维特征，对高维特征进行操作，经过卷积、反卷积和卷积得到初始显著图；S3、将初始显著图，以及Depth数据作为DRCNN循环卷积结构的输入；DRCNN通过级联的方式，一步一步优化显著结果，详细描绘显著目标的边缘信息；最后连接一个权值融合层，通过自动学习权值，将显著结果融合得到最终显著图。本发明利用循环卷积神经网络，从低层向高层产生多级别特征，同时，从高层向低层逐步细化目标轮廓，借助RGB-D图像所特有的Depth深度信息，可解决单靠颜色无法还原的目标轮廓的问题。