(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210249631.1 (22)申请日 2022.03.15 (65)同一申请的已公布的文献号 申请公布号 CN 114332489 A (43)申请公布日 2022.04.12 (73)专利权人 江西财经 大学 地址 330013 江西省南昌市经济技 术开发 区双港东大街169号 (72)发明人 方玉明　张海艳　鄢杰斌　左一帆　 姜文晖　刘扬　 (74)专利代理 机构 北京中济纬天专利代理有限 公司 11429 专利代理师 黄攀 (51)Int.Cl. G06V 10/44(2022.01) (56)对比文件 CN 114078138 A,202 2.02.22US 2021146531 A1,2021.0 5.20 CN 114067101 A,202 2.02.18 US 2016140424 A1,2016.0 5.19 Yuming Fang等. “Visual at tention predicti on for Autis m Spectrum Disorder with hierarc hical semantic fusi on”. 《Signal Proces sing: Image Communication》 .2021,第93卷 A. Li等.“Uncertai nty-aware Jo int Salient Object and Camoufla ged Object Detection”. 《2021 IE EE/CVF Conference o n Computer Visi on and Pat tern Recogn ition (CVPR)》 .2021, 包晓安等.“基于背景感知的显著性目标检 测算法”. 《计算机系统应用》 .2018,第27 卷(第06 期), 审查员 刘梦晨 (54)发明名称 基于不确定性感知的图像显著目标检测方 法与系统 (57)摘要 本发明提出一种基于不确定性感知的图像 显著目标检测方法与系统， 该方法包括： 通过图 像中的显著 图计算得到内部轮廓不确定性图以 及外部轮廓不确定性图； 通过特征编码器提取得 到细节的内部轮廓不确定性特征、 细节的外部轮 廓不确定性特征以及显著性特征； 融合显著性特 征与细节的轮廓不确定性特征以生成互补特征， 通过动态加权分支计算得到动态权重并进行分 配， 并通过加法操作融合显著性特征， 得到细化 的显著性特征； 将细化的显著性特征以及细 节的 轮廓不确定性特征输入解码分支中， 循环输出对 应特征以最终得到轮廓不确定性预测图以及显 著预测图。 本发明中， 在图像的显著目标检测方 面展示了良好的有效性和优越性， 在处理复杂场 景时具有更好的性能。 权利要求书5页 说明书12页 附图2页 CN 114332489 B 2022.06.24 CN 114332489 B 1.一种基于不确定性感知的图像显著目标检测方法， 其特征在于， 所述方法包括如下 步骤： 步骤一、 通过图像中的显著图计算得到内部轮廓不确定性图以及外部轮廓不确定性 图， 其中， 所述显著图表示图像中的显著目标， 所述内部轮廓不确定性图表示目标轮廓附近 的显著像素点， 所述外部轮廓不确定性图表示 目标轮廓附近的非显著像素点， 且所述内部 轮廓不确定性图与所述外 部轮廓不确定性图用作迭代计算时的二 值化标签； 步骤二、 将所述图像输入至特征编码器中， 通过所述特征编码器提取得到细节的内部 轮廓不确定性特 征、 细节的外 部轮廓不确定性特 征以及显著性特 征； 步骤三、 通过注意力掩膜融合显著性特征以及细节的内部轮廓 不确定性特征以生成第 一互补特征， 通过反向注意力掩膜融合显著 性特征以及细节的外部轮廓不确定性特征以生 成第二互补特征， 通过动态加权分支计算得到动态权重后分别对所述第一互补特征以及所 述第二互补特征进行权重分配， 并通过加法操作与所述显著性特征进行融合， 以得到细化 的显著性特征， 其中所述反向注意力掩膜为利用1减去生成的注意力掩膜中的每个像素值 得到； 步骤四、 将步骤三中得到的细化的显著性特征以及所述细节的内部轮廓 不确定性特征 输入至内部轮廓解码分支中， 以输出得到内部轮廓不确定性特征； 将步骤三中得到的细化 的显著性特征以及所述细节的外部轮廓不确定性特征输入至外部轮廓解码分支中， 以输出 得到外部轮廓不确定性特征； 将步骤三中得到的细化的显著 性特征输入至显著 性解码分支 中， 通过两个卷积 操作以得到下一阶段显著性特 征； 步骤五、 将得到的内部轮廓 不确定性特征代替步骤三中的细节的内部轮廓 不确定性特 征输入至内部轮廓解码分支， 将得到的外部轮廓不确定性特征代替步骤三中的细节的外部 轮廓不确定性特征输入至外部轮廓解码分支， 将得到的下一阶段显著性特征代替步骤三中 的显著性特征输入至各个分支， 循环四次以上 的内部轮廓不确定性特征、 外部轮廓不确定 性特征以及下一阶段显著性特征对应的提取输出过程， 以分别对内部轮廓不确定性特征、 外部轮廓不确定性特征以及下一阶段显著性特征进行逐步细化， 得到内部轮廓不确定性特 征预测图、 外 部轮廓不确定性特 征预测图以及显著预测图； 步骤六、 根据得到的内部轮廓不确定性特征预测图、 外部轮廓不确定性特征预测图以 及显著预测图， 分别使用对应的损失函数， 并结合成一个整体的训练损失函数以进行显著 目标的检测。 2.根据权利要求1所述的基于不确定性感知的图像显著目标检测方法， 其特征在于， 在 所述步骤一中， 通过图像中的显著图计算得到内部轮廓不确定性图 以及外部轮廓不确定性 图的计算公式表示 为： 其中， 表示所述图像的显著图， 表示所述内部轮廓不确定性图， 表示所述 外部轮廓不确定性图， 表示腐蚀函数， 表示膨胀函数， 表示腐蚀操作的内核权　利　要　求　书 1/5 页 2 CN 114332489 B 2大小， 表示膨胀操作的内核大小。 3.根据权利要求2所述的基于不确定性感知的图像显著目标检测方法， 其特征在于， 所 述步骤二具体包括： 将所述图像输入至ResNet ‑50网络中， 以生成五种尺度的特 征； 对所述五种尺度的特征， 利用两个64通道 的 的卷积操作以及一个空间注意力模 块， 以分别得到细节的内部轮廓不确定性特 征， 以及细节的外 部轮廓不确定性特 征； 基于所述五种尺度的特 征， 通过两个卷积层提取 得到所述显著性特 征 。 4.根据权利要求3所述的基于不确定性感知的图像显著目标检测方法， 其特征在于， 所 述五种尺度的特 征表示为： ； 所述细节的内部轮廓不确定性特 征表示为： ； 所述细节的外 部轮廓不确定性特 征表示为： ； 所述空间注意力模块的计算方式表示 为： 其中， 表示所述空间注意力 模块， 表示输入的特征， 表示 的卷 积层， 表示sigmoid函数， 表示元素级的乘法运算， 表示细节的内部轮廓 不确定 性特征， 表示细节的外 部轮廓不确定性特 征。 5.根据权利要求4所述的基于不确定性感知的图像显著目标检测方法， 其特征在于， 通 过注意力掩膜融合显著性特征以及细节的内部轮廓不确定性特征以生成第一互补特征的 方法包括如下步骤： 将所述显著性特征与所述细节的内部轮廓不确定性特征连接起来以得到第一连接后 的特征， 使用 的卷积操作对所述第一连接后的特征进行压缩， 以得到第一压缩特征 ； 将所述第一压缩特征 输入到两个卷积层中， 并利用sigmoid函数生成注意力掩模 ； 利用乘法运算增强所述显著性特征与所述细节的内部轮廓不确定性特征之间的互补 信息， 以得到所述第一互补特 征； 对应的计算公式表示 为： 权　利　要　求　书 2/5 页 3 CN 114332489 B 3