技術(shù)特征：

1.一種利用對抗訓(xùn)練的圖像顯著性檢驗方法，其特征在于，所述方法包括：

A1：數(shù)據(jù)預(yù)處理：對收集到的圖像及標(biāo)簽進行預(yù)處理，得到圖像數(shù)據(jù)；

A2：設(shè)計卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)及具體核函數(shù)；

A3：選取合適的參數(shù)；

A4：使用對抗訓(xùn)練來減小卷積神經(jīng)網(wǎng)絡(luò)模型過擬合的可能性，得到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型；

A5：將所述圖像數(shù)據(jù)輸入到所述訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型后，得到顯著圖。

2.根據(jù)權(quán)利要求1所述圖像顯著性檢驗方法，其特征在于，A1中的數(shù)據(jù)預(yù)處理是指將輸入的介于0-255之間的圖像的初始像素值除以255，從而得到0-1之間的圖像數(shù)據(jù)；然后將圖像數(shù)據(jù)進行下采樣至圖像原始高度及原始寬度的一半大小。

3.根據(jù)權(quán)利要求1所述圖像顯著性檢驗方法，其特征在于，A2中卷積神經(jīng)網(wǎng)絡(luò)模型CNN包含9層，其中8個卷積層、1個反卷積層；在每個所述卷積層中設(shè)置卷積層的卷積核大小和卷積步長，設(shè)置卷積神經(jīng)網(wǎng)絡(luò)模型的過程是最小化預(yù)測顯著圖與真值之間歐氏距離的損失函數(shù)的過程。

4.根據(jù)權(quán)利要求3所述圖像顯著性檢驗方法，其特征在于，所述卷積是所述卷積核對所述圖像數(shù)據(jù)進行操作的簡稱，所述卷積步長是所述卷積核在對所述圖像數(shù)據(jù)進行操作的時候?qū)υ紙D像數(shù)據(jù)做卷積時候滑動像素的大??；使用卷積步長為2的卷積實現(xiàn)降低圖像分辨率，有效控制擬合。

5.根據(jù)權(quán)利要求3所述圖像顯著性檢驗方法，其特征在于，所述顯著圖是指由輸入原始圖像數(shù)據(jù)經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)模型后得到的矩陣，所述真值為相對應(yīng)于原始圖像數(shù)據(jù)的標(biāo)簽，所述顯著圖中每個像素點都具有各自的值。

6.根據(jù)權(quán)利要求3所述圖像顯著性檢驗方法，其特征在于，每層采用ReLU函數(shù)作為激活函數(shù)。

7.根據(jù)權(quán)利要求3所述圖像顯著性檢驗方法，其特征在于，進行權(quán)重衰減限制搜尋范圍，反復(fù)進行權(quán)重衰減逐漸縮小搜索范圍，最終找到全局最優(yōu)解對應(yīng)的點，卷積神經(jīng)網(wǎng)絡(luò)模型收斂，其中每次衰減后搜尋點更加靠近最優(yōu)點所在的區(qū)域范圍。

8.根據(jù)權(quán)利要求1所述圖像顯著性檢驗方法，其特征在于，所述對抗訓(xùn)練是指將正常樣本和對抗樣本同時作用于卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練；所述對抗樣本是指在正常樣本上加線性擾動得到的樣本，所述對抗訓(xùn)練能夠增強卷積神經(jīng)網(wǎng)絡(luò)模型的正則化，從而提高預(yù)測準(zhǔn)確率。

9.根據(jù)權(quán)利要求8所述圖像顯著性檢驗方法，其特征在于，所述線性擾動指由目標(biāo)函數(shù)對原始圖像求梯度所得到的矩陣，所述矩陣在長、寬、通道數(shù)方面和原始圖像矩陣在長、寬、通道數(shù)方面大小相同。

10.根據(jù)權(quán)利要求1所述圖像顯著性檢驗方法，其特征在于，采用線性擾動的方式生成所述對抗樣本，而所述對抗訓(xùn)練體現(xiàn)在對應(yīng)損失函數(shù)的不斷更新：

$\tilde{J}(w,x,y)=\mathrm{\α}J(w,x,y)+(1-\mathrm{\α})J(w,x+\mathrm{\σ}sign({\▿}_{x}J\left(w,x,y\right)\left)\right)$

其中：η為得到的擾動，y為網(wǎng)絡(luò)輸出，σ為正極小量，sign為取大于零的值，為求目標(biāo)函數(shù)對于輸入圖像x的梯度，α為控制對抗訓(xùn)練的小于1的參數(shù)。