機(jī)器人室內(nèi)定位技術(shù)說明書(編輯修改稿)
2025-09-01 08:28 本頁面
【文章內(nèi)容簡(jiǎn)介】 下的幫助進(jìn)行注意力轉(zhuǎn)移。 這個(gè)框架的結(jié)構(gòu)，對(duì)于計(jì)算機(jī)視覺計(jì)算技術(shù)而言，提供了大量的并行方法，我們可以通過快速選取出一組圖片中感興趣的點(diǎn)來分析更復(fù)雜和更消耗時(shí)間的物體識(shí)別過程。Saliency模型：程序輸入是一張靜態(tài)的彩色圖片，通常采用640*480的圖片，通過利用高斯金字塔構(gòu)建9種不同的空間尺度，對(duì)輸入圖像進(jìn)行低通過濾和二次采樣，生成從1:1到1:256這8個(gè)幅度的橫向和縱向的圖像縮小因素。每一個(gè)特征都是通過計(jì)算一組線性的“centersurround”運(yùn)算。類似于視覺接受域：典型的視覺神經(jīng)元對(duì)視野中心的區(qū)域一小塊區(qū)域特別敏感，而刺激更廣泛的外圍區(qū)域則會(huì)抑制神經(jīng)元的反應(yīng)。對(duì)局部不連續(xù)空間敏感的這樣一種結(jié)構(gòu)，特別適合用于檢測(cè)明顯與周圍不同的局部特征，因此被用作模擬視網(wǎng)膜、外側(cè)膝狀體和初級(jí)視皮層的運(yùn)算法則。Centersurround 在實(shí)現(xiàn)中會(huì)有從精細(xì)到粗獷的不同尺度。中心分別取每個(gè)像素取c為2倍、3倍、4倍，外圍則是每個(gè)像素對(duì)應(yīng)s對(duì)應(yīng)s = c + δ，δ取3或4。兩張圖的跨尺度區(qū)分是通過修改精細(xì)尺度和點(diǎn)對(duì)點(diǎn)做減法獲取的。通過使c和δ兩方面，可以獲取真正的中心區(qū)域和周圍區(qū)域的多尺度特征提取。 提取早期視覺特征模型研究的特征分為三種，分別為明暗特征，色彩特征和方向特征。r,g,b分別代表輸入圖像的紅色、綠色和藍(lán)色，圖像的亮度通道I通過I=(r+g+b)/3計(jì)算得到的。I用于創(chuàng)建高斯金字塔I(σ), 其中σ取0到8的整數(shù)。r,g,b通道通過計(jì)算I進(jìn)行正規(guī)化，將色彩從亮度中解耦。然而由于色彩變換在亮度特別低的時(shí)候是無法感知的，因此是不顯著的，因此正規(guī)化僅僅作用于I大于整張圖片亮度最大值十分之一的部位。4個(gè)調(diào)和后的色彩通道分別為紅色通道R = r (g + b)/2，綠色通道G = g (r + b)/2，藍(lán)色通道B = b (r + g)/2和黃色通道Y = (r + g)/2 |r g|/2 b， 通過這4個(gè)通道，由此，我們可以創(chuàng)建R(σ), G(σ), B(σ), and Y(σ)四個(gè)高斯金字塔。前面定義的centersurroun d差值通過中心的精細(xì)比例c和外圍的粗糙比例s的差值產(chǎn)生了特征圖。第一組特征圖考慮的是亮度的對(duì)比，哺乳動(dòng)物是通過神經(jīng)元對(duì)暗中心區(qū)域和亮外圍區(qū)域或亮中心區(qū)域作用于暗外圍區(qū)域的效果進(jìn)行分別的。這兩種類型的敏感是用6組亮度圖I(c,s)同時(shí)計(jì)算的,c分別取2，3，4，s = c + δ，δ分別取3或4：第二組特征圖與前面類似，是為色彩通道構(gòu)建的，在人類的視覺皮層中是通過一種稱為“雙色對(duì)比”的系統(tǒng)來處理色彩的：在感受野中部的神經(jīng)元會(huì)被一種顏色（例如紅色）刺激產(chǎn)生興奮而被另一種顏色（例如綠色）抑制。反之對(duì)外圍的神經(jīng)元也成立。這種空間色彩的對(duì)比在人腦視覺感受皮層中存在紅／綠、綠／紅、藍(lán)／黃和黃／藍(lán)4組對(duì)比。因此，通過創(chuàng)建模型中的RG(c,s)特征圖可以同時(shí)模擬紅／綠和綠／紅兩種對(duì)比，BY(c,s)則可以模擬藍(lán)／黃和黃／藍(lán)兩種對(duì)比：第三組特征圖是局部方向特征圖，通過Gabor金字塔作用于亮度圖I產(chǎn)生方向顯著圖O(σ,θ )，σ取0到8的正整數(shù)來表示比例，θ是表示的方向，分別取0176。，45176。，90176。和135176。Gabor過濾是余弦光柵和2D高斯包絡(luò)的乘積，結(jié)果近似于初級(jí)視皮層感受野對(duì)方向的敏感辨識(shí)程度。方向特征圖O(c, s, θ),表示了中心和周圍尺度的方向?qū)Ρ取?綜上所述，共通過計(jì)算生成了42張?zhí)卣鲌D，其中包括6張亮度圖，12張顏色圖和24張方向圖。 顯著圖（The Saliency Map）顯著圖用于通過常量表示一個(gè)區(qū)域的顯著性。顯著圖與特征圖結(jié)合起來，以動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)為模型提供了自低向上的構(gòu)建特征圖的方法。在結(jié)合不同的特征圖時(shí)，由于各張?zhí)卣鲌D之間有著不同的值域，且提取方式不同，因此數(shù)值上不具有可比性。另外由于要結(jié)合所有的42張圖，因此出現(xiàn)在少數(shù)幾張圖中幾個(gè)位置的視覺顯著可能會(huì)被噪聲或者其他較為不顯著的物體遮擋。由于缺少自頂向下的監(jiān)督，我們提出一種對(duì)圖進(jìn)行正規(guī)化的方法，用N(.)來表示。通過正規(guī)化可以達(dá)到的效果為，增強(qiáng)只有少量顯著點(diǎn)的顯著圖，削弱顯著點(diǎn)較多的顯著圖，步驟如下：[0..M]，以消除振幅的差別。，并計(jì)算所有局部極大值的平均值m，乘上(Mm)^2只有局部極大值才會(huì)被計(jì)算，這樣正規(guī)化就可以忽略同質(zhì)的區(qū)域。比較整張圖的極大值和平均值可以看出最活躍的部位和平均值的區(qū)別。當(dāng)這個(gè)差別較大的時(shí)候，最活躍的區(qū)域就會(huì)較為明顯，若這個(gè)差別較小，則這張圖就會(huì)被抑制。正規(guī)化方法的生物學(xué)解釋在于，它簡(jiǎn)單地重現(xiàn)了外側(cè)皮層的抑制機(jī)制，相鄰的類似特征會(huì)通過一種特殊的物理鏈接相互抑制。特征圖分別被合并到尺度為4的三張顯著圖，分別為亮度圖I，顏色圖C和方向圖O。計(jì)算方法如公式所示，其中跨尺度的加法是由將每幅圖降尺度到尺度四再進(jìn)行像素對(duì)像素的加法：對(duì)于方向而言，首先根據(jù)給定的角度和六張?zhí)卣鲌D生成中間步驟的四張圖，接著整合成一張方向特征圖。創(chuàng)建三張單獨(dú)的通道圖I，C，O和他們各自的正規(guī)化是基于假設(shè)：類似的特征會(huì)為了顯著而激烈競(jìng)爭(zhēng)，然而不同的特性對(duì)于顯著圖會(huì)有各自的表現(xiàn)。三張圖片經(jīng)過正規(guī)化后取平均值即可得到最終的saliency圖。在任意時(shí)刻，saliency圖的最大值定義了整張圖片最顯著的位置，也就是注意力焦點(diǎn)所在的位置（FOA）。我們可以簡(jiǎn)單地認(rèn)為，圖片中最活躍的區(qū)域就是模型關(guān)注的下一個(gè)焦點(diǎn)。然而，在一個(gè)神經(jīng)元可行的實(shí)現(xiàn)中，我們利用比例為4的2D 積聚觸發(fā)模型對(duì)saliency圖進(jìn)行建模。模型中的這些神經(jīng)元有一個(gè)電容可以將突觸輸入的電量聚集起來進(jìn)行充電，一個(gè)漏電導(dǎo)和一個(gè)電壓閾值。當(dāng)電壓達(dá)到了這個(gè)閾值，就會(huì)生成一個(gè)觸發(fā)原型, 并且電容的電量會(huì)減少到0。尺寸為4的saliency圖會(huì)輸入到一個(gè)2D的贏家通吃（WTA）神經(jīng)網(wǎng)絡(luò)，不同單元之間的突觸交互可以保證最活躍的區(qū)域被
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1