(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210193274.1 (22)申请日 2022.02.28 (71)申请人 北京师范大学 地址 100875 北京市海淀区新 街口外大街 19号 申请人 集智学园 （北京） 科技有限公司 (72)发明人 王硕　范登平　孙羽佳　陈程立诏　 向天烛　张江　 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于边缘引导网络的伪装物体检测方 法 (57)摘要 本发明公开了基于边缘引导网络的伪装物 体检测方法， 属于图像处理技术领域。 大多数现 有的深度学习方法往往无法准确地识别出伪装 物体的完整且精细的结构。 本发 明创造性地提出 了一种基于边缘引导网络的方法， 其中边缘引导 网络包括骨干模块、 边缘感知模块、 边缘引导特 征模块、 上下文聚合模块， 增强了物体相关边缘 语义信息的表征学习能力， 输出完整且精细的伪 装物体的掩模 图与轮廓图。 本发明在3个数据集 上进行实验， 4个评价指标均表明本发明超越当 前所有最先进的伪装物体 检测方法。 权利要求书1页 说明书5页 附图3页 CN 114581703 A 2022.06.03 CN 114581703 A 1.一种基于边缘引导网络的伪装物体检测方法， 其特征在于边缘引导网络包括骨干网 络、 边缘感知模块、 边缘引导特征模块、 上下文聚合模块， 该方法能够挖掘伪装物体的多层 次语义边缘信息， 并利用这些边缘信息引导模型 的表征学习 过程， 最终生成伪装物体的掩 膜图与轮廓图， 包 含如下步骤： 第1步、 用骨干网络对待检测图像进行 特征提取； 第2步、 利用边 缘感知模块， 在所提取的特 征中挖掘物体相关的边 缘信息； 第3步、 利用边 缘引导特 征模块， 用边 缘信息指导骨干网络的特 征提取； 第4步、 利用上下文聚合模块， 聚合多层级特征与边缘信 息生成伪装物体的掩膜图与轮 廓图。 2.根据权利要求1所述的基于边缘引导网络的伪装物体检测方法， 其特征在于： 所述第 1步使用 Res2Net‑50架构作为骨干网络进 行特征提取， 其中包含依次连接的5个卷积块， 对 输入图像进行多层次信息提取， 得到对应的5层特 征输出。 3.根据权利要求1所述的基于边缘引导网络的伪装物体检测方法， 其特征在于： 第2步 所述的边缘感知模块， 用来将第1步中第2层与第5层卷积块所生成的特征图融合并处理， 生 成伪装物体边界图： 其中， 第2层卷积块输出的特 征图包含低层次局部边 缘细节特 征； 其中， 第5层卷积块输出的特 征图包含高层次全局边 缘定位信息 。 4.根据权利要求1所述的基于边缘引导网络的伪装物体检测方法， 其特征在于： 第3步 所述的边缘引导特征模块， 将骨干网络提取 的特征与边缘感知模块生成的边界图融合， 基 于局部注意力来挖掘关键的特 征通道， 输出边 缘指导下优化下的特 征图。 5.根据权利要求1所述的基于边缘引导网络的伪装物体检测方法， 其特征在于： 第4步 所述的上下文聚合模块， 将相邻的边缘引导特征模块的输出进行整合， 提取邻近分支的多 尺度上下文特征， 最终得到伪装物体掩膜图与轮廓图。权　利　要　求　书 1/1 页 2 CN 114581703 A 2一种基于边缘引导网 络的伪装物体检测方 法 技术领域 [0001]本发明属于图像处理技术领域， 特别涉及到一种基于边缘引导网络的伪装物体检 测方法。 背景技术 [0002]当前景主体 （相对凸出） 试图 “埋伏”在背景中来欺骗 观察者视觉时， 伪装场景即成 立。 在伪装场景中识别并分割伪装物体 （前景主体） ， 即伪装物体检测。 由于伪装场景的普遍 存在， 伪装物体检测具有丰富的下游任务和应用场景， 例如， 医疗图像分割、 工业缺陷检测、 蝗虫入侵检测、 创意图像合成等， 引发了计算机 视觉社区的广泛关注和研究兴趣。 [0003]早期的伪装物体检测方法依赖于颜色、 纹理、 动量和梯度等传统视觉特征， 如果只 提取使用一种视觉特征很难达到满意的效果， 所以一些方法尝试使用上述视觉特征的组合 来增强效果。 然而， 由于手工提取特征的局限性， 这些方法往往在较为复杂的场景或真实应 用中失效。 [0004]随着深度学习技术的兴起， 基于卷积神经网络的方法从大量训练图像中自动学习 到的深度特征比传统特征更全面、 更通用、 更有效。 这些检测方法大致可分为三类： 一类是 仿生方法， 它模仿 自然界中捕食者的行为过程或人类视觉心理模式来设计网络； 一类是设 计有针对性的网络模块/架构， 以有效探索可用于判别的伪装对象特征； 一类是将一些辅助 任务纳入联合学习/多任务学习框架， 如分类任务、 边缘提取、 显著目标检测和伪装目标排 序， 这类方法可以从共享特征中挖掘出有价值的额外线索， 从而显著增强伪装物体检测的 特征表示。 [0005]在联合学习/多任务学习框架中， 现有的采用边缘提取作为辅助任务的检测方法 是一个基于图神经网络的交互图学习模型。 这不可避免地增加了模型 的复杂性， 占用更多 的计算资源。 此外， 尽管它引入了边界线索， 但仍然丢失了一些与边界相关的细节， 引入了 一些明显的背景噪声， 从而削弱了检测伪装物体的性能。 发明内容 [0006]本发明的目的是解决现有伪装物体检测方法中， 伪装物体在与环境高度融合， 尤 其是边缘中 断的情况下， 只能给出粗糙或不完整的物体边界的问题。 因此， 本发明设计了一 种基于边 缘引导网络的伪装物体 检测方法。 [0007]边缘引导网络 （Boundary ‑Guided Network， BGNet） 由骨干网络 （Backbone   Network,  BN） 、 边缘感知模块 （Edge ‑Aware Module， EAM） 、 边缘引导特征模块 （Edge ‑ guidance  Feature Module， EFM） 与上下文聚合模块 （Context  Aggregation  Module， CAM） 组成。 [0008]本发明方法包 含如下步骤。 [0009]第1步， 待检测图像的特征提取。 利用骨干网络BN对待检测图像进行多层级特征提 取， 包括蕴含局部边 缘细节的低层级特 征与蕴含 全局定位信息的高层级特 征。说　明　书 1/5 页 3 CN 114581703 A 3