公开(公告)号：CN115019063A

公开(公告)日：2022-09-06

申请号：CN202210626663.9

申请日：2022-06-04

Applicant: 海南大学

Inventor： 胡祝华 ,  代雨桐 ,  赵瑶池

IPC: G06V10/46 ,  G06V10/26 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于双注意力机制的显著性目标检测方法：步骤1、使用数据增强技术扩充数据集；步骤2、将数据输入到包含有水平集注意力机制模块LSA(Level‑SetAttention)、反向通道注意力机制模块R‑CA(Reverse‑ChannelAttention)、后向反馈与结构化损失的RCANet网络中进行训练并得到训练模型；步骤3、输入待检测数据到模型中得到显著性目标检测结果。利用本发明方法能够获得更丰富的语义信息，使得后续网络更好区分标签与背景，以较少的参数在深层网络获得位置信息，同时本发明方法可以细化轮廓，提取出更清晰的边界，使得网络整体性能提高。

公开(公告)号：CN115019063B

公开(公告)日：2024-11-22

申请号：CN202210626663.9

申请日：2022-06-04

Applicant: 海南大学

Inventor： 胡祝华 ,  代雨桐 ,  赵瑶池

IPC: G06V10/25 ,  G06V10/26 ,  G06V10/44 ,  G06V10/42 ,  G06V10/52 ,  G06V10/80 ,  G06V10/774 ,  G06V10/82 ,  G06V20/70 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/09 ,  G06N3/048

Abstract: 本发明提供了一种基于双注意力机制的显著性目标检测方法：步骤1、使用数据增强技术扩充数据集；步骤2、将数据输入到包含有水平集注意力机制模块LSA(Level‑SetAttention)、反向通道注意力机制模块R‑CA(Reverse‑ChannelAttention)、后向反馈与结构化损失的RCANet网络中进行训练并得到训练模型；步骤3、输入待检测数据到模型中得到显著性目标检测结果。利用本发明方法能够获得更丰富的语义信息，使得后续网络更好区分标签与背景，以较少的参数在深层网络获得位置信息，同时本发明方法可以细化轮廓，提取出更清晰的边界，使得网络整体性能提高。