顯著目標檢測是根據生物視覺的注意力機制來實現(xiàn),能夠過濾掉圖像中大部分不重要的背景信息,從而突顯圖像中的顯著目標,往往作為計算機視覺領域的預處理步驟。隨著深度神經網絡與全卷積神經網絡的出現(xiàn)為顯著目標的檢測結果帶來巨大的進步。本文提出了一種全新的深度全卷積神經網絡結構,命名為非局部注意機制和多監(jiān)督的特征聚集塊融合網絡,旨在融合每層特征聚集塊的豐富特征。特征聚集塊除了有本層特征之外還有其他層的特征,即每層特征聚集塊既具有深層網絡的強語義信息也同時擁有淺層網絡的詳細特征。在自頂向下的融合過程中能像Res Net一樣學習各層的殘差信息。同時引入非局部的注意力機制以提升上下文的關聯(lián)性,增加多個輔助的監(jiān)督連接到中間步驟,從而讓網絡更加方便的進行優(yōu)化與加速收斂。本文的創(chuàng)新點以及貢獻點如下:（1）設計出一個全新的聚集塊以包含深層的高級別語義信息與淺層的詳細特征,這樣主干網絡的每層特征圖都擴充成包含其他層的聚集塊,并且聚集塊的內部可以實現(xiàn)高級語義與詳細特征的互補。（2）深層的高級別語義特征聚集塊通過自頂向下的與淺層的特征聚集塊進行融合連接,使得輸出層可以精確的定位顯著目標,并且特征聚集塊的詳細特征可以優(yōu)化... 

【文章來源】：湘潭大學湖南省

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 課題研究背景與意義
    1.2 顯著目標檢測研究現(xiàn)狀
        1.2.1 人工設計特征的顯著目標檢測
        1.2.2 基于深度學習的顯著目標檢測
    1.3 研究內容和論文結構
第2章 顯著目標檢測相關理論概述
    2.1 人工神經網絡
        2.1.1 感知機模型
        2.1.2 多層感知機
        2.1.3 反向傳播算法
    2.2 卷積神經網絡
        2.2.1 卷積神經網絡的特性
        2.2.2 卷積神經網絡的組成
    2.3 卷積神經網絡模型
        2.3.1 Alex Net網絡模型
        2.3.2 VGGNet網絡模型
        2.3.3 Res Net網絡模型
    2.4 全卷積神經網絡
        2.4.1 全卷積
        2.4.2 轉置卷積層
第3章 自頂向下特征聚集塊融合網絡的顯著目標檢測
    3.1 自頂向下特征聚集塊融合網絡模型框架
    3.2 特征聚集塊
    3.3 網絡模型的融合概述
    3.4 全連接條件隨機場
    3.5 實驗結果與分析
        3.5.1 基準數(shù)據集和評價標準
        3.5.2 實驗步驟及細節(jié)
        3.5.3 實驗結果和對比分析
    3.6 本章小結
第4章 非局部注意機制和多監(jiān)督的特征聚集塊融合網絡的顯著目標檢測
    4.1 非局部注意機制和多監(jiān)督的特征聚集塊融合網絡模型框架
    4.2 非局部注意力機制
    4.3 損失函數(shù)
    4.4 實驗的步驟與細節(jié)
    4.5 實驗結果與分析
        4.5.1 顯著圖對比
        4.5.2 P-R曲線與F測量值曲線
        4.5.3 實驗結果定量分析
    4.6 本章小結
第5章 總結與展望
    5.1 工作總結
    5.2 研究展望
參考文獻
致謝
附錄A 攻讀碩士學位期間的研究成果


【參考文獻】：
期刊論文
[1]生物神經網絡系統(tǒng)動力學與功能研究[J]. 陸啟韶,劉深泉,劉鋒,王青云,侯中懷,鄭艷紅.  力學進展. 2008(06)
[2]視覺在生物系統(tǒng)中的應用[J]. 張國忠,王曉明,何鴻強,于哲.  制造業(yè)自動化. 2004(07)
[3]簡單細胞方位選擇性感受野組織形成的神經網絡模型[J]. 楊謙,齊翔林,汪云九.  中國科學C輯:生命科學. 2000(04)



本文編號：3173815