-
题名基于多任务深度卷积神经网络的显著性对象检测算法
被引量：12
- 1
-
-
作者
杨帆
李建平
李鑫
陈雷霆
-
机构
电子科技大学计算机科学与工程学院
-
出处
《计算机应用》
CSCD
北大核心
2018年第1期91-96,共6页
-
基金
国家自然科学基金资助项目(61370073)
国家863计划项目(2015AA016010)~~
-
文摘
针对当前基于深度学习的显著性对象检测算法不能准确保存对象边缘的区域,从而导致检测出的显著性对象边缘区域模糊、准确率不高的问题,提出了一种基于多任务深度学习模型的显著性对象检测算法。首先,基于深度卷积神经网络(CNN),训练一个多任务模型分别学习显著性对象的区域和边缘的特征;然后,利用检测到的边缘生成大量候选区域,再结合显著性区域检测的结果对候选区域进行排序和计算权值;最后提取出完整的显著性图。在三个常用标准数据集上的实验结果表明,所提方法获得了更高的准确率,其中F-measure比基于深度学习的算法平均提高了1.9%,而平均绝对误差(MAE)平均降低了12.6%。
-
关键词
显著性对象检测
深度学习
边缘检测
多任务神经网络
显著图
卷积神经网络
-
Keywords
salient object detection
deep learning
boundary detection
multi-task deep neural network
saliency map
Convolutional Neural Network （CNN）
-
分类号
TP391.413
[自动化与计算机技术—计算机应用技术]
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于结构感知深度神经网络的显著性对象检测算法
被引量：5
- 2
-
-
作者
李鑫
陈雷霆
蔡洪斌
-
机构
电子科技大学计算机科学与工程学院
电子科技大学数字媒体技术四川省重点实验室
电子科技大学广东电子信息工程研究院
-
出处
《计算机应用研究》
CSCD
北大核心
2019年第7期2195-2199,共5页
-
基金
广东省应用型科技研发专项资金资助项目(2015B010131002)
广东省科技计划资助项目(2016A040403004)
东莞市重大科技项目(2015215102)
-
文摘
由于现有的基于深度神经网络的显著性对象检测算法忽视了对象的结构信息,使得显著性图不能完整地覆盖整个对象区域,导致检测的准确率下降。针对此问题,提出一种结构感知的深度显著性对象检测算法。该算法基于一种多流结构的深度神经网络,包括特征提取网络、对象骨架检测子网络、显著性对象检测子网络和跨任务连接部件四个部分。首先,在显著性对象子网络的训练和测试阶段,通过对象骨骼检测子网络学习对象的结构信息,并利用跨任务连接部件使得显著性对象检测子网络能自动编码对象骨骼子网络学习的信息,从而感知对象的整体结构,克服对象区域检测不完整问题;其次,为了进一步提高所提方法的准确率,利用全连接条件随机场对检测结果进行进一步的优化。在三个公共数据集上的实验结果表明,该算法在检测的准确率和运行效率上均优于现有存在的基于深度学习的算法,这也说明了在深度神经网络中考虑对象结构信息的捕获是有意义的,有助于提高模型准确率。
-
关键词
显著性对象检测
深度学习
显著图
卷积神经网络
对象骨架检测
-
Keywords
salient object detection
deep learning
saliency map
convolutional neural network (CNN)
object skeleton detection
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于金字塔特征与边缘优化的显著性对象检测
被引量：1
- 3
-
-
作者
田旭
彭飞
刘飞
陈庆文
闫馨宇
-
机构
国网青海省电力公司经济技术研究院
中国电建集团西北勘测设计研究院有限公司
天津大学智能与计算学部
天津大学天津机器学习重点实验室
-
出处
《郑州大学学报（工学版）》
CAS
北大核心
2022年第2期35-43,共9页
-
基金
国家自然科学基金资助项目(62076180)。
-
文摘
针对图像显著性对象检测领域中多尺度特征提取不充分、对象边缘模糊等问题,提出了一个端到端的基于注意力嵌入的金字塔特征以及渐进边缘优化的显著性对象检测模型。首先,设计了由多个扩张卷积构成的注意力嵌入的密集空洞金字塔模块(AEDAPM),在不减小特征分辨率的前提下,得到丰富且有效的多级多尺度特征;其次,为了解决显著性对象边缘模糊的问题,提出了渐进边缘优化模块(SEOM),在特征恢复分辨率的过程中逐步补充空间细节信息,使模型检测出的显著对象能够拥有清晰的边缘轮廓。在DUTS-TE、ECSSD、DUT-OMRON、HKU-IS、PASCAL-S 5个显著性领域公开的数据集上与其他12种已有的先进方法在3个常用指标下进行了比较,结果表明:所提方法能够得到更加准确、边缘更加清晰的显著性结果。此外,自对比实验也充分证明了提出的注意力嵌入的密集空洞金字塔模块和渐进边缘优化模块的有效性。
-
关键词
显著性对象检测
多尺度特征提取
全卷积神经网络
边缘特征提取
深度学习
-
Keywords
salient object detection
multi-scale feature extraction
fully convolutional networks
edge feature extraction
deep learning
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
