一种用于显著性目标检测的门控深层融合模型

发布时间：2024-04-27 18:38

　　选取并简化场景中的复杂信息是人类视觉系统的主要特性之一。计算机视觉领域效仿人类视觉上的这种特性,引入了显著性检测。显著性目标检测作为一种图像的预处理步骤,其目的是获得图像中最吸引人注意的区域。它被广泛的应用在如视频压缩、图片合成等领域。近些年来随着深度学习的迅猛发展,大量计算机视觉任务由手工设计算法转变为设计深度学习模型解决问题。这一点对显著性检测领域也不例外。大量的基于卷积神经网络的方法取代了早期基于启发式的方法,其中一些模型带来了性能上的大幅度提升。然而,这些模型依旧存在一些问题。例如,一些早期的方法使用全连接层来预测显著性结果,这会导致空间信息的损失并占用大量的计算资源。全卷积神经网络的出现促使包括显著性目标检测问题在内的端到端、像素到像素任务的进步。但随之带来了新的问题,即如何有效的利用多级特征去获得高质量的显著图。一些方法仅仅使用深层特征或简单的方式融合多级特征,这都会影响最终的预测结果。本文提出了一种门控深层融合模型用于显著性检测,旨在充分且有效的利用网络中不同上下文信息以获得高质量的预测结果。首先,利用VGG16作为特征提取网络提取多级特征,被提取的多级特征将被使用在融合...

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

图１．１显著性目标检测示例??Ｆｉｇ．?１．１?Ｅｘａｍｐｌｅｓ?ｏｆ?Ｓａｌｉｅｎｔ?Ｏｂｊｅｃｔ?Ｄｅｔｅｃｔｉｏｎ??

?一种用于显著性目标检测的门控深层融合模型???用它的领域。为了能够得到更精确的显著性检测结果，当下的大多数学者把注意力集中??在如何构造合理的深度学习模型去解决显著性检测问题。这是由于卷积神经网络强大的??特征提取和表示能力，这使得当下基于卷积神经网络的方法被广泛应用到计算机视....

图１．?２显著性检测发展历程??Ｆｉｇ．?１．２?Ｔｈｅ?ｄｅｖｅｌｏｐｍｅｎｔ?ｏｆ?Ｓａｌｉｅｎｃｙ?Ｄｅｔｅｃｔｉｏｎ??－３?－??

作者又将注意力集中在了应用机器学习解决显著性目标检??测问题以得到更好性能的算法。在这一期间涌现了大量算法，它们相比传统基于启发式??先验的算法性能更好。最近几年，由于高性能显卡的普及和深度学习（Ｄｅｅｐ?Ｌｅａｒｎｉｎｇ）??的发展。基于卷积神经网络解决显著性检测的模型被大量提....

图１．３不同种类方法的显著图??Ｆｉｇ．?１．３?Ｔｈｅ?ｄｉｆｆｅｒｅｎｔ?ｍａｐｓ?ｆｒｏｍ?ｄｉｆｆｅｒｅｎｔ?ｍｅｔｈｏｄｓ??－６?－??

最终显著图。此外，本文作者在Ｅｎｃｏｄｅｒ??ＦＣＮ部分引入了一个称为Ｒ－ｄｒｏｐｏｕｔ层，将改进的ｄｒｏｐｏｕｔ放在卷积之后，提升深度网??络泛化能力。Ｈｏｕ等人［３７］提出了一种基于跳层连接的模型。这个模型从深层往浅层融合??多级特征，但与普通的邻近两层融合多级特征的方式所不....

图２．?２人工神经元??Ｆｉｇ．?２．２?Ｔｈｅ?ａｒｔｉｆｉｃｉａｌ?ｎｅｕｒｏｎ??根据图２．２，第ｊ个神经元的输出可用下面公式表示：??ｎ??ａ－?＝?ａｗｋｘ＋?ｂ（２．?１）??

?一种用于显著性目标检测的门控深层融合模型???函数处理后将被作为输出值。??（３）激活函数：这个激活函数的作用是将权重和的值通过非线性函数映射到一个??适当范围。它的主要作用是增强网络学习表示能力。??偏置??ｂｊ????ｗ１??ｘ１??？］?＾——＼????ｗ２?＼??ｘ２?....

本文编号：3965555