CN119741580A 一种基于轻量级神经网络的显著性目标检测方法

(12)发明专利申请(72)发明人李晓儿李卓卫学彬余镭GO6V10/82(2022.01)(54)发明名称观2为FR₄,第1个MobileViT-XS骨干网络的第五层接收FR₄,输出的特块接收FR₁和FT₁,输出的特征图记为FM₁;第2个低层轻量融合块接收FR₂和FT₂,输出3神经网络，在总共进行150轮网络训练后得到神经网络训练模型；其中，4征图与FM₅进行通道连接操作，得到的特征图输入到1×1卷积层的输入端，Batch5重复一次从FR-²和FT¹-²生成FR'-7和FT'-’的过程，其中上一次生成的FR'-7和对FR-10和FT'-10进行通道连接操作，得到的特征图输入到3×3卷积层的输入端，6到的特征图记为FX²-⁴;的输入端接收该3×3卷积层的输出端输出的特征图，ReLU函数的输入端789的第二层接收FR₁,输出的特征图记为FR₂,第1个Mobi第2个MobileViT-XS骨干网络的第一层接收红外图像，输出的特征图记为FT₁,第2个优化神经网络，在总共进行150轮网络训练后得到神经网络训练模型；其中，为FR-;另一个3×3卷积层的输入端接收FT,,BatchNormalization层的输入端接收该另一个3×3卷积层的输入端接收FT,BatchNormalization层的输入端接收该对FR-¹和FT-¹进行展开操作，由H×W格式转化为P×N格式，其中对FR²-¹和FT²-¹进行展开操作，由H×W格式转化为P×N格式，其中图记为FX²-⁶,一个(d,2d)全连接层的输入端接收,SiLU函数的输入端接收该特征图，3×3卷积层的输入端接收该ReLU函数的输出端输出的特征图，Batch附图说明出的特征图记为FR₃,第1个MobileViT-XS骨干网络的第四层接收FR₃,输出的特征图记为S,RastegariM.Mobilevit:light-weight,general-purpose,andmobile-friendlyvisiontransfor接收FT₃和FR₃,输出的特征图记为FM₃;第2个高层轻量融合块接收FT₄和FR₄,输出的模型；表示神经网络输出的(i=x+2),BatchNormalization层的输入端接收该3×3卷积层的输出端输出的特征图，[0033]对进行展开操作，由H×W格式转化为P×N格式，其中H×W=P×N,且P=2×2,并将得到的特征图记为FR-²和FT¹-²。[0037]一个(2d,d)全连接层的输入端接收FX-¹,输出的特征图记为FX¹-²。一次生成的FR'-7和FT¹-7将作为下一个过程中的FR'-²和FT¹-²,最后得到的输出记为[0047]在此，元素相乘操作、元素相加操作、元素相减操作、通道连接操作如图5所示，对于第i个低层轻量融合块[0050]对进行展开操作，由H×W格式转化为P×N格式，其中0图记为。一个(d,2d)全连接层的输入端接收,SiLU函数的输入端接收该0[0060]在此，元素相乘操作、元素相加操作、元素相减操作、通道连接操作特征图，3×3卷积层的输入端接收该ReLU函数的输出端输出的特征图，Batch本发明方法高层轻量融合模块高层轻量融合模块显著性目标图像真实图像训练集低层轻量融合模块显著性目标图像真实图像训练集低层轻量融合模块高层轻量融合模块低层轻量融合模块低层红外特征图低层红外特征图公显著性目标图像彩色可见光图像的第四层红外图像的第一层的第三层的第五层特征提取模块第1个低层轻量融合块第2个低层轻量融合块第1个高层轻量融合块第2个高层轻量融合块第3个高层轻量融合块F