全局模型和局部优化的深度网络显著性检测

被引：20

作者：

刘峰 ^{[1
]}

沈同圣 ^{[2
]}

娄树理 ^{[1
]}

韩冰 ^{[3
]}

机构：

[1] 海军航空工程学院控制工程系

[2] 中国国防科技信息中心

[3] 海军部队分队

来源：

光学学报 | 2017年 / 37卷 / 12期

关键词：

机器视觉; 显著性检测; 卷积神经网络; 超像素分割; 区域对比度; 区域特性;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算]; TP391.41 [];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 080203 ;

摘要：

设计有效的特征向量是显著性检测方法的关键,决定了模型效果的上限,基于深度卷积神经网络和手工提取特征相结合的思路,提出了一种新的基于全局模型和局部搜索的显著性检测方法。在全局模型中,通过对VGG-16网络设计额外的卷积层进行训练,生成初始显著图,达到了从图像整体角度预测每一个候选区域显著性的目的。在局部优化模型中,设计区域对比度描述子和区域特征描述子对多级分割的超像素点进行描述,预测每一个区域的显著性值。最后,利用线性拟合的方法将两种模型中产生的显著图进行融合,得到最终的显著图。对4个数据集进行对比测试实验,实验结果表明,本文方法具有最高的准确率。

引用

页码：272 / 280

页数：9