公开(公告)号：CN112668643A

公开(公告)日：2021-04-16

申请号：CN202011579447.0

申请日：2020-12-28

Applicant: 武汉工程大学

Inventor： 徐宇航 ,  李璇 ,  黄正华 ,  程莉 ,  马雷 ,  杨智 ,  田金文

IPC: G06K9/62 ,  G06N3/08

Abstract: 本发明提供一种基于格式塔法则的半监督显著性检测方法，将训练图像输入卷积神经网络进行特征提取得到初步显著性映射，利用格式塔法则进行损失函数的定义并计算损失值，基于该损失值和初步显著性映射实现卷积神经网络的训练；利用训练完成的卷积神经网络和全连接CRF方法实现基于格式塔法则的半监督显著性检测。本发明将格式塔法则融入到损失函数和优化显著性映射的定义之中，充分考虑了人类视觉系统的知觉感知，能够有效利用先验信息；图像级标签比像素级标签更有效地收集，因此注释成本大大降低。

公开(公告)号：CN112668643B

公开(公告)日：2022-10-21

申请号：CN202011579447.0

申请日：2020-12-28

Applicant: 武汉工程大学

Inventor： 徐宇航 ,  李璇 ,  黄正华 ,  程莉 ,  马雷 ,  杨智 ,  田金文

IPC: G06V10/764 ,  G06V10/77 ,  G06V10/82 ,  G06V10/774 ,  G06N3/08

Abstract: 本发明提供一种基于格式塔法则的半监督显著性检测方法，将训练图像输入卷积神经网络进行特征提取得到初步显著性映射，利用格式塔法则进行损失函数的定义并计算损失值，基于该损失值和初步显著性映射实现卷积神经网络的训练；利用训练完成的卷积神经网络和全连接CRF方法实现基于格式塔法则的半监督显著性检测。本发明将格式塔法则融入到损失函数和优化显著性映射的定义之中，充分考虑了人类视觉系统的知觉感知，能够有效利用先验信息；图像级标签比像素级标签更有效地收集，因此注释成本大大降低。