基于深度融合的显著性目标检测算法

被引：35

作者：

张冬明 ^{[1
]}

靳国庆 ^{[2
]}

代锋 ^{[2
]}

袁庆升 ^{[1
]}

包秀国 ^{[1
]}

张勇东 ^{[3
]}

机构：

[1] 国家计算机网络应急处理协调中心

[2] 中国科学院计算技术研究所智能信息处理实验室

[3] 中国科学技术大学信息科学技术学院

来源：

计算机学报 | 2019年 / 42卷 / 09期

基金：

国家重点研发计划;

关键词：

显著目标检测; 人工特征; 深度融合; 深度学习; 显著图;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

自然图像往往包含各种复杂的内容,基于单一特征的显著性检测算法很难从复杂场景中提取符合人类视觉的显著性目标.虽然多种显著图的融合能够弥补或者纠正单一特征带来的检测缺陷,但是不合理的显著图融合方式可能会进一步降低算法的检测性能.为了解决多种显著图的有效融合问题,作者提出了一种基于深度卷积神经网络的特征图深度融合模型.算法使用四种低层显著图作为网络的输入,采用前融合和后融合的双通道卷积网络学习图像的显著目标.前融合通道利用一个多层的全卷积网络生成对目标物体边缘敏感的显著图,后融合通道使用权重共享的浅层网络分别获得四种目标对象位置保持的高层语义显著图.两个通道的特征图再通过一个四层的全卷积网络进行优化,从而获得最终的显著图.在公开数据集上的大量实验证明了本文提出的显著图深度融合算法的有效性.

引用

页码：2076 / 2086

页数：11

共 5 条

[1] 基于视点转移和视区追踪的图像显著区域检测
张鹏
王润生
[J]. 软件学报, 2004, (06) : 891 - 898
[2] Salient Object Detection: A Discriminative Regional Feature Integration Approach[J] . Jingdong Wang,Huaizu Jiang,Zejian Yuan,Ming-Ming Cheng,Xiaowei Hu,Nanning Zheng.International Journal of Computer Vision . 2017 (2)
[3] SalientShape: group saliency in image collections[J] . Ming-Ming Cheng,Niloy J. Mitra,Xiaolei Huang,Shi-Min Hu.The Visual Computer . 2014 (4)
[4] A theory of a saliency map in primary visual cortex （V1） tested by psychophysics of colour–orientation interference in texture segmentation[J] . Li Zhaoping,Robert J. Snowden.Visual Cognition . 2006 (4-8)
[5] Visual saliency based on multiscale deep features. Li Guanbin,Yu Yizhou. IEEE Conference on Computer Vision and Pattern Recognition . 2015

← 1 →