一种仿生物视觉平行和分级机制的学习型边缘检测方法技术

本发明专利技术旨在提供一种仿生物视觉平行和分级机制的学习型边缘检测方法，包括以下步骤：A、构建编码网络和解码网络；其中，编码网络包括平行处理网络，以及分级处理网络；B、原始图像输入平行处理网络中，分别经过X细胞子网络、Y细胞子网络处理，处理结果相加融合后，得到的相加融合结果分别输入分级处理网络和解码网络中；C、相加融合结果在分级处理网络中，经过简单细胞子网络处理后，得到简单细胞处理结果分别输入复杂细胞子网络和解码网络中；复杂细胞子网络处理得到复杂细胞处理结果，输入解码网络中；D、解码网络解码，得到最终检测结果。本发明专利技术能够在使用极少参数的情况下，体现具有竞争力的性能。争力的性能。争力的性能。

【技术实现步骤摘要】
一种仿生物视觉平行和分级机制的学习型边缘检测方法


[0001]本专利技术涉及图像处理领域，具体涉及一种仿生物视觉平行和分级机制的学习型边缘检测方法。

技术介绍

[0002]边缘检测作为高级计算视觉任务的重要基础之一，需要在保证一定性能的前提下，为高级视觉任务尽可能多的保留计算资源。卷积神经网络(CNN)的编码
‑
解码边缘检测方法发展迅速，主要使用VGG16或ResNet作为编码器，并通过设计解码器取得了良好的性能。这些方法在边缘检测任务中表现出色。此外的边缘检测方法少有考虑用生物视觉机制对神经网络的启示，这导致它们在特征提取和边缘信息提取方面存在一些问题。这些问题包括特征提取能力较弱和对边缘信息提取不够充分等。
[0003]目前的生物学方法在模拟生物视觉系统时主要依赖于数学公式，对于生物视觉系统中的某些特性进行模拟。然而，这种方法并不能很好地模拟生物视觉系统的大部分特性和信息传递机制，因此无法有效地实现对目标边缘的提取。

技术实现思路

[0004]本专利技术旨在提供一种仿生物视觉平行和分级机制的学习型边缘检测方法，该方法能够在使用极少参数的情况下，体现具有竞争力的性能，并且拥有更高的参数利用效，在资源紧凑的平台上能够为其他视觉处理任务预留更多的计算资源和存储资源。
[0005]本专利技术的技术方案如下：
[0006]所述的仿生物视觉平行和分级机制的学习型边缘检测方法，包括以下步骤：
[0007]A、构建编码网络和解码网络；
[0008]其中，编码网络包括平行处理网络，以及分级处理网络；
[0009]平行处理网络包括X细胞子网络、Y细胞子网络；分级处理网络包括简单细胞子网络、复杂细胞子网络；
[0010]B、原始图像输入平行处理网络中，分别经过X细胞子网络、Y细胞子网络处理，X细胞子网络处理结果和Y细胞子网络处理结果相加融合后，得到的相加融合结果分别输入分级处理网络和解码网络中；
[0011]C、相加融合结果在分级处理网络中，经过简单细胞子网络处理后，得到简单细胞处理结果分别输入复杂细胞子网络和解码网络中；复杂细胞子网络处理得到复杂细胞处理结果，输入解码网络中；
[0012]D、解码网络对相加融合结果、简单细胞处理结果和复杂细胞处理结果进行解码，得到最终检测结果。
[0013]所述的步骤B中，X细胞子网络中处理过程如下：输入结果分别经过7
×
7深度可分离卷积和21
×
21深度可分离卷积处理，7
×
7深度可分离卷积结果减去21
×
21深度可分离卷积结果后，然后经过1
×
1卷积处理得到输出结果。
[0014]X细胞子网络中，中心响应机制是为一个7
×
7深度可分离卷积层Conv
C
构成，而周边响应机制是由一个21
×
21深度可分离卷积层Conv
s
构成，且有效感受野被构造一个圆环，通过相减构成拮抗机制。
[0015]X细胞子网络处理过程具体如下：
[0016]以7
×
7深度可分离卷积代表中心响应机制，计算公式如下：
[0017][0018]其中，i∈{1，2，
…
，n}为通道标号，表示第i个通道的特征经过中心机制后的特征，是为模拟中心机制的卷积核ConvC，ReLU(
·
)是激活函数，Norm(
·
)为归一化函数；
[0019]21
×
21深度可分离卷积代表周边响应机制，计算公式如下：
[0020][0021]其中，i∈{1，2，
…
，n}为通道标号，表示第i个通道的特征经过周边机制后的特征，而是模拟周边机制的卷积核(Convs)，ReLU(
·
)是激活函数，Norm(
·
)为归一化函数；
[0022]X细胞子网络的计算公式如下：
[0023][0024]其中，Ei表示为第i个通道的拮抗响应，ω为可学习的权重参数，控制了周边机制对中心机制的抑制强度；
[0025]得到各个通道的X细胞拮抗响应后，使用1
×
1卷积对各个通道进行整合，得到最终的X细胞响应。
[0026]所述的步骤B中，Y细胞子网络中处理过程如下：
[0027]Y细胞模型对中心
‑
周边机制的模拟与X细胞模型相同，不同之处在于Y细胞模型拥有独特的非线性亚单位模型。
[0028]Y细胞子网络处理过程具体如下：
[0029]输入结果分为三路，第一路经过7
×
7深度可分离卷积处理，第二路经过21
×
21深度可分离卷积处理，第三路依次经过3
×
3深度可分离卷积处理和21
×
21深度可分离卷积处理处理；第一路卷积结果加上第三路卷积结果后减去第二路卷积结果，然后经过1
×
1卷积处理得到输出结果。
[0030]以7
×
7深度可分离卷积代表中心响应机制，计算公式如下：
[0031][0032]其中，i∈{1，2，
…
，n}为通道标号，表示第i个通道的特征经过中心机制后的特征，是为模拟中心机制的卷积核ConvC，ReLU(
·
)是激活函数，Norm(
·
)为归一化函数；
[0033]21
×
21深度可分离卷积代表周边响应机制，计算公式如下：
[0034][0035]其中，i∈{1，2，
…
，n}为通道标号，表示第i个通道的特征经过周边机制后的特征，而是模拟周边机制的卷积核(Conv
s
)，ReLU(
·
)是激活函数，Norm(
·
)为归一化函数；
[0036]非线性亚单位响应
[0037]按照间距w将非线性亚单位的影响范围划分为多个同心圆区域，即多个不同大小圆环的21
×
21深度可分离卷积Conv
col
构成，通过调整半径大小，控制圆环大小，每一块区域都由一种非线性亚单位负责，非线性亚单位由3×3深度可分卷积Conv
sub
构成；
[0038]则是表示第i个通道特征经过非线性亚单位响应后的特征，其计算公式如下：
[0039][0040]其中，k代表非线性亚单位的个数，为第j个非线性亚单位的可学习卷积核，负责将第j个非线性亚单位在所负责区域的响应收集到中心位置，其形状为圆环状，宽度为w，与非线性亚单位的卷积操作形成串联形式；
[0041]Y细胞子网络的计算公式如下：
[0042][0043]其中，Ei表示为第i个通道的拮抗响应，ω为可学习的权重参数，控制了周边机制对中心机制的抑制强度；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种仿生物视觉平行和分级机制的学习型边缘检测方法，其特征在于包括以下步骤：A、构建编码网络和解码网络；其中，编码网络包括平行处理网络，以及分级处理网络；平行处理网络包括X细胞子网络、Y细胞子网络；分级处理网络包括简单细胞子网络、复杂细胞子网络；B、原始图像输入平行处理网络中，分别经过X细胞子网络、Y细胞子网络处理，X细胞子网络处理结果和Y细胞子网络处理结果相加融合后，得到的相加融合结果分别输入分级处理网络和解码网络中；C、相加融合结果在分级处理网络中，经过简单细胞子网络处理后，得到简单细胞处理结果分别输入复杂细胞子网络和解码网络中；复杂细胞子网络处理得到复杂细胞处理结果，输入解码网络中；D、解码网络对相加融合结果、简单细胞处理结果和复杂细胞处理结果进行解码，得到最终检测结果。2.如权利要求1所述的仿生物视觉平行和分级机制的学习型边缘检测方法，其特征在于：所述的步骤B中，X细胞子网络中处理过程如下：输入结果分别经过7
×
7深度可分离卷积和21
×
21深度可分离卷积处理，7
×
7深度可分离卷积结果减去21
×
21深度可分离卷积结果后，然后经过1
×
1卷积处理得到输出结果。3.如权利要求2所述的仿生物视觉平行和分级机制的学习型边缘检测方法，其特征在于：X细胞子网络处理过程具体如下：以7
×
7深度可分离卷积代表中心响应机制，计算公式如下：其中，i∈{1，2，
…
，n}为通道标号，表示第i个通道的特征经过中心机制后的特征，是为模拟中心机制的卷积核Conv
C
，ReLU(
·
)是激活函数，Norm(
·
)为归一化函数；21
×
21深度可分离卷积代表周边响应机制，计算公式如下：其中，i∈{1，2，
…
，n}为通道标号，表示第i个通道的特征经过周边机制后的特征，而是模拟周边机制的卷积核(Conv
s
)，ReLU(
·
)是激活函数，Norm(
·
)为归一化函数；X细胞子网络的计算公式如下：其中，E
i
表示为第i个通道的拮抗响应，ω为可学习的权重参数，控制了周边机制对中心机制的抑制强度；得到各个通道的X细胞拮抗响应后，使用1
×
1卷积对各个通道进行整合，得到最终的X细胞响应。4.如权利要求1所述的仿生物视觉平行和分级机制的学习型边缘检测方法，其特征在于：
所述的步骤B中，Y细胞子网络中处理过程如下：输入结果分为三路，第一路经过7
×
7深度可分离卷积处理，第二路经过21
×
21深度可分离卷积处理，第三路依次经过3
×
3深度可分离卷积处理和21
×
21深度可分离卷积处理处理；第一路卷积结果加上第三路卷积结果后减去第二路卷积结果，然后经过1
×
1卷积处理得到输出结果。5.如权利要求4所述的仿生物视觉平行和分级机制的学习型边缘检测方法，其特征在于：Y细胞子网络处理过程具体如下：以7
×
7深度可分离卷积代表中心响应机制，计算公式如下：其中，i∈{1，2，
…
，n}为通道标号，表示第i个通道的特征经过中心机制后的特征，是为模拟中心机制的卷积核Conv
C
，ReLU(
·
)是激活函数，Norm(
·
)为归一化函数；21
×
21深度可分离卷积代表周边响应机制，计算公式如下：其中，i∈{1，2，
…
，n}为通道标号，表示第i个通道的特征经过周边机制后的特征，而是模拟周边机制的卷积核(Conv
s
)，ReLU(
·
)是激活函数，Norm(

【专利技术属性】
技术研发人员：林川，黄思涵，陈曦，张家佳，庞鑫韬，周令，潘勇才，韦艳霞，
申请(专利权)人：广西科技大学，
类型：发明
国别省市：