一种基于深度学习模型的逐级交互式轮廓识别方法

1.本发明涉及图像处理领域，具体涉及一种基于深度学习模型的逐级交互式轮廓识别方法。


背景技术：

2.初期的轮廓检测模型大多基于局部像素值梯度的变化方向以确定目标边界位置，这是一种普适性方法，可以有效的检测目标/非目标的全部边界信息。后来，模拟生物视觉的数学模型开始被应用于轮廓检测任务，研究者根据生物视觉的工作机制建立模型，通过采用特定的函数来模拟细胞的功能。近几年，深度学习算法开始被应用于各类计算机视觉任务中，研究者发现卷积神经网络(convolutional neural networks，cnns)在轮廓检测任务上表现出优异的性能。cnns模型通常分为编码和解码两个部分，编码网络采用多卷积层构建深度模型以获取图像特征，解码网络则对编码中提取的特征信息进行融合、解析来获取所需的任务对象。


技术实现要素：

3.本发明旨在提供一种基于深度学习模型的逐级交互式轮廓识别方法，该方法采用双解码网络以利用编码中更多的特征信息，逐级交互式解码可以使不同网络中的信息相互交流，对纹理的抑制、边缘的保护产生了积极的效果。
4.本发明的技术方案如下：
5.所述的基于深度学习模型的逐级交互式轮廓识别方法，包括以下步骤：
6.a、构建深度神经网络结构，深度神经网络结构具体如下：
7.编码网络、解码网络；
8.其中，编码网络为vgg16网络，池化层为分界线分为s1、s2、s3、s4、s5五个阶段；
9.所述的解码网络分为四级，每一级中均分别设有子解码网络m和子解码网络n；
10.第一级的子解码网络m和子解码网络中均设有4个融合模块r，第二级的子解码网络m和子解码网络中均设有3个融合模块r，第三级的子解码网络m和子解码网络中均设有2个融合模块r，第四级的子解码网络m和子解码网络中均设有1个融合模块r；
11.b、原始图像输入vgg16网络中，依次经五个阶段卷积处理；
12.c、vgg16网络的s1、s2、s3、s4、s5五个阶段中的第一卷积层的卷积结果分别输入子解码网络m中，依次经过四级融合处理，获得融合结果4
th
i1；
13.vgg16网络的s1、s2、s3、s4、s5五个阶段中的第二卷积层的卷积结果分别输入子解码网络n中，依次经过四级融合处理，获得融合结果4
th
i2；
14.d、将融合结果4
th
i1和融合结果4
th
i2通过加法层融合得到最终输出轮廓。
15.所述的vgg16网络由原始vgg16网络舍弃3个全连接层和最后1个下采样层后获得。
16.所述的融合模块r包括1
×
1卷积层、上采样层、3
×
3卷积层、加法层；
17.上层的输入信息经1
×
1卷积层处理后，获得相应的上层卷积结果；其中1
×
1卷积
层的通道数与上层的输入信息的通道数一致；
18.下层的输入信息在上采样层经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；其中3
×
3卷积层的通道数与上层的输入信息的通道数一致；
19.上层卷积结果与下层卷积结果相加融合后输出。
20.vgg16网络的五个阶段中的第一卷积层的卷积结果分别输入第一级的子解码网络m中；在第一级的子解码网络m中：
21.s1阶段的第一卷积层的卷积结果输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s2阶段的第一卷积层的卷积结果i2输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果1
st
i1，输出至第二级的子解码网络m中；
22.s2阶段的第一卷积层的卷积结果输入第二个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s3阶段的第一卷积层的卷积结果输入第二个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果1
stⅱ1
，输出至第二级的子解码网络n中；
23.s3阶段的第一卷积层的卷积结果输入第三个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s4阶段的第一卷积层的卷积结果输入第三个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果1
stⅲ1
，输出至第二级的子解码网络m中；
24.s4阶段的第一卷积层的卷积结果输入第四个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s5阶段的第一卷积层的卷积结果输入第四个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果s11与下层卷积结果s21相加融合后，得到融合结果1
stⅳ1
，输出至第二级的子解码网络n中；
25.vgg16网络的五个阶段中的第二卷积层的卷积结果分别输入第一级的子解码网络n中；在第一级的子解码网络n中：
26.s1阶段的第二卷积层的卷积结果输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s2阶段的第二卷积层的卷积结果输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果1
st
i2，输出至第二级的子解码网络n中；
27.s2阶段的第二卷积层的卷积结果输入第二个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s3阶段的第二卷积层的卷积结果输入第二个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果1
stⅱ2
，输出至第二级的子解码网络m中；
28.s3阶段的第二卷积层的卷积结果输入第三个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s4阶段的第一卷积层的卷积结果输入第三个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果1
stⅲ2
，输出至第二级的子解码网络n中；
29.s4阶段的第二卷积层的卷积结果输入第四个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s5阶段的第二卷积层的卷积结果输入第四个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果1
stⅳ2
，输出至第二级的子解码网络m中。
30.在第二级的子解码网络m中：
31.融合结果1
st
i1输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果1
stⅱ2
输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果2
st
i1，输出至第三级的子解码网络m中；
32.融合结果1
stⅱ2
输入第二个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果1
stⅲ1
输入第二个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果2
ndⅱ1
，输出至第二级的子解码网络n中；
33.融合结果1
stⅲ1
输入第三个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果1
stⅳ2
输入第三个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果2
ndⅲ1
，输出至第二级的子解码网络m中；
34.在第二级的子解码网络n中：
35.融合结果1
st
i2输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果1
stⅱ1
输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果2
nd
i2，输出至第二级的子解码网络n中；
36.融合结果1
stⅱ1
输入第二个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果1
stⅲ2
输入第二个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果2
ndⅱ2
，输出至第二级的子解码网络m中；
37.融合结果1
stⅲ2
输入第三个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果1
stⅳ1
输入第三个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果2
ndⅲ2
，输出至第二级的子解码网络
n中。
38.在第三级的子解码网络m中：
39.融合结果2
nd
i1输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果2
ndⅱ2
输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果3
rd
i1，输出至第三级的子解码网络m中；
40.融合结果2
ndⅱ2
输入第二个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果2
ndⅲ1
输入第二个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果3
rdⅱ1
，输出至第二级的子解码网络n中；
41.在第三级的子解码网络n中：
42.融合结果2
nd
i2输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果2
ndⅱ1
输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果3
rd
i2，输出至第二级的子解码网络n中；
43.融合结果2
ndⅱ1
输入第二个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果2
ndⅲ2
输入第二个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果3
rdⅱ2
，输出至第二级的子解码网络m中。
44.在第四级的子解码网络m中：
45.融合结果3
rd
i1输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果3
rdⅱ2
输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果4
th
i1，输出至第三级的子解码网络m中；
46.在第三级的子解码网络n中：
47.融合结果3
rd
i2输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果3
rdⅱ1
输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果4
th
i2，输出至第二级的子解码网络n中；
48.融合结果4
th
i1与融合结果4
th
i2通过加法层融合得到最终输出轮廓。
49.本发明的方法提出了一种新颖的解码方法，采用双解码网络以利用编码中更多的特征信息，逐级交互式解码可以使不同网络中的信息相互交流。
50.本发明通过进行大量消融实验，可以明显看出我们的发明具有以下两个优点：1、双解码网络在运算之前缩小了中卷积层的通道数，节约了计算机内存，在性能与效率之间做了权衡，以至于可以完全利用编码网络中不同卷积层的特征信息，使得“脆弱”轮廓得到更完整的保留；2、逐级交互式解码有效地进行了卷积层之间的特征信息交流，对纹理的抑制、边缘的保护产生了积极的效果。
附图说明
51.图1为本发明实施例1的编码网络和解码网络的结构示意图；
52.图2为本发明实施例1的融合模块r的结构示意图；
53.图3为本发明实施例1与文献1解码结构对比图；
54.图4为本发明实施例1方案与文献1方案的轮廓检测效果对比图。
具体实施方式
55.下面结合附图和实施例具体说明本发明。
56.实施例1
57.所述的基于深度学习模型的逐级交互式轮廓识别方法，包括以下步骤：
58.a、构建深度神经网络结构，深度神经网络结构具体如下：
59.编码网络、解码网络；
60.其中，编码网络为vgg16网络，池化层为分界线分为s1、s2、s3、s4、s5五个阶段；所述的vgg16网络由原始vgg16网络舍弃3个全连接层和最后1个下采样层后获得；
61.所述的解码网络分为四级，每一级中均分别设有子解码网络m和子解码网络n；
62.第一级的子解码网络m和子解码网络中均设有4个融合模块r，第二级的子解码网络m和子解码网络中均设有3个融合模块r，第三级的子解码网络m和子解码网络中均设有2个融合模块r，第四级的子解码网络m和子解码网络中均设有1个融合模块r；
63.所述的融合模块r包括1
×
1卷积层、上采样层、3
×
3卷积层、加法层；
64.上层的输入信息经1
×
1卷积层处理后，获得相应的上层卷积结果；其中1
×
1卷积层的通道数与上层的输入信息的通道数一致；
65.下层的输入信息在上采样层经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；其中3
×
3卷积层的通道数与上层的输入信息的通道数一致；
66.上层卷积结果与下层卷积结果相加融合后输出；
67.b、原始图像输入vgg16网络中，依次经五个阶段卷积处理；
68.c、vgg16网络的s1、s2、s3、s4、s5五个阶段中的第一卷积层的卷积结果分别输入子解码网络m中；
69.vgg16网络的五个阶段中的第一卷积层的卷积结果分别输入第一级的子解码网络m中；在第一级的子解码网络m中：
70.s1阶段的第一卷积层的卷积结果输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s2阶段的第一卷积层的卷积结果i2输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果1
th
i1，输出至第二级的子解码网络m中；
71.s2阶段的第一卷积层的卷积结果输入第二个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s3阶段的第一卷积层的卷积结果输入第二个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果
1
stⅱ1
，输出至第二级的子解码网络n中；
72.s3阶段的第一卷积层的卷积结果输入第三个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s4阶段的第一卷积层的卷积结果输入第三个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果1
stⅲ1
，输出至第二级的子解码网络m中；
73.s4阶段的第一卷积层的卷积结果输入第四个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s5阶段的第一卷积层的卷积结果输入第四个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果s11与下层卷积结果s21相加融合后，得到融合结果1
stⅳ1
，输出至第二级的子解码网络n中；
74.vgg16网络的五个阶段中的第二卷积层的卷积结果分别输入第一级的子解码网络n中；在第一级的子解码网络n中：
75.s1阶段的第二卷积层的卷积结果输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s2阶段的第二卷积层的卷积结果输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果1
st
i2，输出至第二级的子解码网络n中；
76.s2阶段的第二卷积层的卷积结果输入第二个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s3阶段的第二卷积层的卷积结果输入第二个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果1
stⅱ2
，输出至第二级的子解码网络m中；
77.s3阶段的第二卷积层的卷积结果输入第三个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s4阶段的第一卷积层的卷积结果输入第三个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果1
stⅲ2
，输出至第二级的子解码网络n中；
78.s4阶段的第二卷积层的卷积结果输入第四个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；s5阶段的第二卷积层的卷积结果输入第四个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果1
stⅳ2
，输出至第二级的子解码网络m中。
79.在第二级的子解码网络m中：
80.融合结果1
st
i1输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果1
stⅱ2
输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果2
nd
i1，输出至第三级的子解码网络m中；
81.融合结果1
stⅱ2
输入第二个融合模块r中的1
×
1卷积层处理后，获得上层卷积结
果；融合结果1
stⅲ1
输入第二个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果2
ndⅱ1
，输出至第二级的子解码网络n中；
82.融合结果1
stⅲ1
输入第三个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果1
stⅳ2
输入第三个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果2
ndⅲ1
，输出至第二级的子解码网络m中；
83.在第二级的子解码网络n中：
84.融合结果1
st
i2输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果1
stⅱ1
输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果2
nd
i2，输出至第二级的子解码网络n中；
85.融合结果1
stⅱ1
输入第二个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果1
stⅲ2
输入第二个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果2
ndⅱ2
，输出至第二级的子解码网络m中；
86.融合结果1
stⅲ2
输入第三个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果1
stⅳ1
输入第三个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果2
ndⅲ2
，输出至第二级的子解码网络n中。
87.在第三级的子解码网络m中：
88.融合结果2
nd
i1输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果2
ndⅱ2
输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果3
rd
i1，输出至第三级的子解码网络m中；
89.融合结果2
ndⅱ2
输入第二个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果2
ndⅲ1
输入第二个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果3
rdⅱ1
，输出至第二级的子解码网络n中；
90.在第三级的子解码网络n中：
91.融合结果2
nd
i2输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果2
ndⅱ1
输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果3
rd
i2，输出至第二级的子解码网络n中；
92.融合结果2
ndⅱ1
输入第二个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果2
ndⅲ2
输入第二个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果3
rdⅱ2
，输出至第二级的子解码网络m中。
93.在第四级的子解码网络m中：
94.融合结果3
rd
i1输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果3
rdⅱ2
输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果4
th
i1，输出至第三级的子解码网络m中；
95.在第三级的子解码网络n中：
96.融合结果3
th
i2输入第一个融合模块r中的1
×
1卷积层处理后，获得上层卷积结果；融合结果3
thⅱ1
输入第一个融合模块r中的上采样层，在上采样层中经双线性邻近插值法处理与上层的输入信息尺寸一致后，经3
×
3卷积层处理，获得相应的下层卷积结果；该上层卷积结果与下层卷积结果相加融合后，得到融合结果4
th
i2，输出至第二级的子解码网络n中；
97.d、融合结果4
th
i1与融合结果4
th
i2通过加法层融合得到最终输出轮廓。
98.实施例2
99.对于最终的轮廓图进行定量的性能评估，我们采用和文献1中一样的性能测量标准，具体评价如公式(1)所示。
[0100][0101]
其中，p表示精确率，r表示召回率。f的值越大，表明性能越好。
[0102]
文献1：lin c,cui l,li f,et al.lateral refinement network for contour detection[j].neurocomputing,2020,409:361
‑
371。
[0103]
文献1所用到的参数和其原文一样，都是已经保证是该模型的最优参数。
[0104]
8.1消融实验
[0105]
本文设计的对比实验模型结构如图3所示，并在bsds500数据集中进行了消融研究。首先，在图(a)所示的解码结构中放弃逐级解码方式，仅使用第一级信息进行解码，不同的是在图(a)中并没有利用编码网络中的每一级信息，而是采用每一个阶段的最后一级的卷积层信息进行解码。此外，采用cat()函数将第一级解码之后得到的4组特征信息进行拼接以获取最终的轮廓特征，将该解码网络称为无逐级连接的单解码网络(以ours
‑
n/s代替)。其次，在图(b)所示解码结构中利用了编码网络大部分卷积层组成双解码网络，同图(a)类似，仅使用一级解码，之后将双解码网络的输出传入加法层得到最终的轮廓，该解码网络可以称之为无逐级连接的双解码网络(以ours
‑
n/d代替)。最后，在图(c)所示的解码结构中使用单个解码网络逐级解码(以ours
‑
y/s代替)的方式得到最终的轮廓结果。
[0106]
表1针对解码网络构造的消融研究
[0107][0108]
此外，如图1中的解码部分，子网络从第2级至第4级均交换部分信息。针对交互式解码，同样进行消融对比，即子网络每一级均使用自身的特征信息而不进行交互。结果如表2中所示，可以看出交互式解码方法使网络的性能指标ods由0.817提升至0.819。
[0109]
表2针对交互式方法的消融研究
[0110][0111]
8.2bsds500数据集实验结果
[0112]
图4所示为从上到下依次为伯克利分割数据集(bsds500)随机选取的5幅自然图像、对应的真实轮廓图、文献1方法检测的最优轮廓图、本文方法检测的最优轮廓；具体性能对比数据件下表3。
[0113]
表3实施例提供的轮廓检测方法与文献1轮廓检测方法性能对比
[0114]