(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 202210122061.X (22)申请日 2022.02.09 (66)本国优先权数据 202111255599.X 2021.10.27 CN (71)申请人 广西科技大 学 地址 545006 广西壮 族自治区柳州市东环 路268号 (72)发明人 林川　庞鑫涛　骆政樵　秦丽君　 丁海华　张贞光　潘勇才　韦艳霞　 (74)专利代理 机构 长沙正奇专利事务所有限责 任公司 431 13 专利代理师 周晟 (51)Int.Cl. G06T 7/13(2017.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于仿生型特征增强网络的轮廓检测 方法 (57)摘要 本发明旨在提供一种基于仿生型特征增强 网络的轮廓检测方法， 包括以下步骤： 包括以下 步骤： A、 构建深度神经网络结构， 深度神经网络 结构具体如下： 前置网络、 编码网络、 解码网络； 所述的前置网络包括视网膜模拟网络、 LGN模拟 网络； 所述的编码网络为VGG16网络， 分为Stage 1 阶段、 Stage2阶段、 Stage3阶段、 Stage4阶段、 Stage5阶段； B、 原始图像依次经过视网膜模拟网 络、 LGN模拟网络处理后， 输入编码网络中， 得到 结果S1、 结果S2、 结果S3、 结果S4、 结果S5输入解 码网络中； 解码网络处理后， 获得解码输出结果， 即为最终输出轮廓。 本发明旨在能让编码器获得 更丰富的轮廓特征信息， 从而达到提升轮廓检测 性能的目的。 权利要求书3页 说明书7页 附图4页 CN 114463360 A 2022.05.10 CN 114463360 A 1.一种基于 仿生型特征增强网络的轮廓检测方法， 其特 征在于包括以下步骤： A、 构建深度神经网络结构， 深度神经网络结构具体如下： 前置网络、 编码网络、 解码网络； 所述的前置网络包括视网膜模拟网络、 LGN模拟网络； 所述的编码网络为VGG16网络， 分为Stage1阶段、 Stage2阶段、 Stage3阶段、 Stage4阶 段、 Stage5阶段； B、 在视网膜模拟网络中： 原始图像依次经过两个3*3*64卷积层处理， 然后经过最大池 化层处理后， 获得最大池化结果a； 最大池化结果a分成两路， 一路依次经两个3*3*128卷积 层处理， 每个3*3*128层分别输出一个结果， 这两个结果经相加融合； 之后与另一路经过两个3*3*256和一个1*1*128卷积层处理的结果相加融合， 获得融合 结果a； 融合结果a经 过最大池化层处 理， 获得最大池化结果b； 最大池化结果b分成两路， 一路依次经两个3*3*256卷积层处理， 每个3*3*256卷积层分 别输出一个结果， 这两个结果经相加融合， 获得融合结果c； 另一路依次经过两个3*3*512卷 积层处理后， 经过1*1*256卷积层处理， 然后与融合结果c相加融合， 获得融合结果d， 输入 LGN模拟网络中； 在LGN模拟网络中： 融合结果d分成3路， 第一路经过两次上采样后经1*1卷积层处理后， 获得输出结果F1； 第二路经过一次上采样后与经过sigmod函数处理的可学习的参数ω相 乘， 获得输出结果F2； 第三路与 “1‑ω”经sigmod函数处理的结果相乘， 获得输出结果F3； 可 学习参数ω在经过sigmod函数处理后范围在0 ‑1之间； 输出结果F1、 输出结果F2、 输出结果 F3分别输入编码网络中； C、 所述的编码网络中： 输出结果F1依次经过Stage1阶段、 Stage2阶段处理后， 与输出结 果F2相加融合， 然后经过Stage3阶段处理， 与输出结果F3相加融合， 然后依次经过Stage4阶 段、 Stage5阶段处理； 其中， Stage阶段1、 Stage2阶段、 Stage3阶段、 Stage4阶段、 Stage5阶段 处理的结果分别输出， 获得S1输出结果、 S2输出结果、 S3输出结果、  S4输出结果、 S5输出结 果； 各个输出分别经过1*1卷积层统一通道数后， 得到结果S1、 结果S2、 结果S3、 结果S4、 结 果S5输入解码网络中； D、 解码网络处 理后， 获得解码输出 结果， 即为 最终输出轮廓。 2.如权利要求1所述的基于仿生型特征增强网络的轮廓检测方法， 其特征在于： 所述的 各步骤涉及的卷积层表达式为m*n ‑k conv+ReLU， 其中， m*n表示卷积核的大小， k表示输出 通道数， conv表 示卷积， ReLU表 示激活函数； m*n、 k均为预设值； 所述的最终 融合层的卷积表 达式为m*n ‑k conv。 3.如权利要求1所述的学习生物视 觉通路的轮廓检测方法， 其特 征在于： 所述的VG G16网络由原 始VGG16网络去除了全连接层和最后一个池化层后获得。 4.如权利要求1所述的基于 仿生型特征增强网络的轮廓检测方法， 其特 征在于： 所述的解码网络包括第一Multi ‑DERM模块、 第二Multi ‑DERM模块、 第三Multi ‑DERM模 块、 第四Multi ‑DERM模块， 所述的第一Multi ‑DERM模块中设有四个DERM模块和四个R模块， 第二Multi ‑DERM模块 中设有三个DERM模块和三个R模块， 第三Multi ‑DERM模块中设有二个DERM模块和二个R模权　利　要　求　书 1/3 页 2 CN 114463360 A 2块， 第四Multi ‑DERM模块中设有一个DERM模块和一个R模块； 第一Multi ‑DERM模块中： 所述的结果S1、 结果S2、 结果S3、 结果S4、 结果S5输入第一Multi ‑DERM模块中， 依次两两 分别输入一个DERM模块中， 经DERM模块处理， 每个DERM模块分别获得两个通道数不同的输 出结果； 第一个DERM模块的低通道数输出结果输入第一个R模块中， 第一个DERM模块的高通道 数输出结果与第二个DERM模块的低通道数输出结果相加融合后， 分别输入第一个R模块和 第二个R模块中， 第一个R模块对两个输出结果融合处理后获得第一Multi ‑DERM输出结果a； 第二个DERM模块的高通道数输出结果与第三个DERM模块的低通道数输出结果相加融合后， 分别输入第二个R模块和第三个R模块中， 第二个R模块对两个输出结果融合处理后获得第 一Multi‑DERM输出结果b； 第三个DERM模块的高通道数输出结果与第四个DERM模块的低通 道数输出结果相加融合后， 分别输入第三个R模块和第四个R模块中， 第三个R模块对两个输 出结果融合处理后获得第一Multi ‑DERM输出结果c； 第四个DERM模块的高通道数输出结果 输入第四个R模块中， 第四个R模块对两个输出结果融合处理后获得第一Multi ‑DERM输出结 果d； 第一Multi‑DERM输出结果a、 第一Multi ‑DERM输出结果b、 第 一Multi‑DERM输出结果c、 第一Multi ‑DERM输出结果d分别输入第二Multi ‑DERM模块中； 第二Multi ‑DERM模块中： 第一Multi ‑DERM输出结果a、 第一Multi ‑DERM输出结果b、 第一Multi ‑DERM输出结果c、 第一Multi ‑DERM输出结果 d分别输入一个DERM模块中， 每个DERM模块分别获得两个通道数 不同的输出 结果； 第一个DERM模块的低通道数输出结果输入第一个R模块中， 第一个DERM模块的高通道 数输出结果与第二个DERM模块的低通道数输出结果相加融合后， 分别输入第一个R模块和 第二个R模块中， 第一个R模块对两个输出结果融合处理后获得第二Multi ‑DERM输出结果a； 第二个DERM模块的高通道数输出结果与第三个DERM模块的低通道数输出结果相加融合后， 分别输入第二个R模块和第三个R模块中， 第二个R模块对两个输出结果融合处理后获得第 二Multi‑DERM输出结果b； 第三个DERM模块的高通道数输出结果输入第三个R模块中， 第三 个R模块对两个输出结果融合处理后获得第二Multi ‑DERM输出结果c； 第二Multi ‑DERM输出 结果a、 第二Mu lti‑DERM输出结果b、 第二Mu lti‑DERM输出结果c分别输入第三Mu lti‑DERM模 块中； 第三Multi ‑DERM模块中： 第二Multi ‑DERM输出结果a、 第二Multi ‑DERM输出结果b、 第二Multi ‑DERM输出结果c分 别输入一个DERM模块中， 每 个DERM模块分别获得两个通道数不同的输出 结果； 第一个DERM模块的低通道数输出结果输入第一个R模块中， 第一个DERM模块的高通道 数输出结果与第二个DERM模块的低通道数输出结果相加融合后， 分别输入第一个R模块和 第二个R模块中， 第一个R模块对两个输出结果融合处理后获得第三Multi ‑DERM输出结果a； 第二个DERM模块的高通道数输出结果输入第二个R模块中， 第二个R模块对两个输出结果融 合处理后获得第 三Multi‑DERM输出结果b； 第 三Multi‑DERM输出结果a、 第 三Multi‑DERM输 出结果b