發(fā)布時(shí)間：2024-04-27 18:38

　　選取并簡(jiǎn)化場(chǎng)景中的復(fù)雜信息是人類(lèi)視覺(jué)系統(tǒng)的主要特性之一。計(jì)算機(jī)視覺(jué)領(lǐng)域效仿人類(lèi)視覺(jué)上的這種特性,引入了顯著性檢測(cè)。顯著性目標(biāo)檢測(cè)作為一種圖像的預(yù)處理步驟,其目的是獲得圖像中最吸引人注意的區(qū)域。它被廣泛的應(yīng)用在如視頻壓縮、圖片合成等領(lǐng)域。近些年來(lái)隨著深度學(xué)習(xí)的迅猛發(fā)展,大量計(jì)算機(jī)視覺(jué)任務(wù)由手工設(shè)計(jì)算法轉(zhuǎn)變?yōu)樵O(shè)計(jì)深度學(xué)習(xí)模型解決問(wèn)題。這一點(diǎn)對(duì)顯著性檢測(cè)領(lǐng)域也不例外。大量的基于卷積神經(jīng)網(wǎng)絡(luò)的方法取代了早期基于啟發(fā)式的方法,其中一些模型帶來(lái)了性能上的大幅度提升。然而,這些模型依舊存在一些問(wèn)題。例如,一些早期的方法使用全連接層來(lái)預(yù)測(cè)顯著性結(jié)果,這會(huì)導(dǎo)致空間信息的損失并占用大量的計(jì)算資源。全卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)促使包括顯著性目標(biāo)檢測(cè)問(wèn)題在內(nèi)的端到端、像素到像素任務(wù)的進(jìn)步。但隨之帶來(lái)了新的問(wèn)題,即如何有效的利用多級(jí)特征去獲得高質(zhì)量的顯著圖。一些方法僅僅使用深層特征或簡(jiǎn)單的方式融合多級(jí)特征,這都會(huì)影響最終的預(yù)測(cè)結(jié)果。本文提出了一種門(mén)控深層融合模型用于顯著性檢測(cè),旨在充分且有效的利用網(wǎng)絡(luò)中不同上下文信息以獲得高質(zhì)量的預(yù)測(cè)結(jié)果。首先,利用VGG16作為特征提取網(wǎng)絡(luò)提取多級(jí)特征,被提取的多級(jí)特征將被使用在融合...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１顯著性目標(biāo)檢測(cè)示例??Ｆｉｇ．?１．１?Ｅｘａｍｐｌｅｓ?ｏｆ?Ｓａｌｉｅｎｔ?Ｏｂｊｅｃｔ?Ｄｅｔｅｃｔｉｏｎ??

?一種用于顯著性目標(biāo)檢測(cè)的門(mén)控深層融合模型???用它的領(lǐng)域。為了能夠得到更精確的顯著性檢測(cè)結(jié)果，當(dāng)下的大多數(shù)學(xué)者把注意力集中??在如何構(gòu)造合理的深度學(xué)習(xí)模型去解決顯著性檢測(cè)問(wèn)題。這是由于卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的??特征提取和表示能力，這使得當(dāng)下基于卷積神經(jīng)網(wǎng)絡(luò)的方法被廣泛應(yīng)用到計(jì)算機(jī)視....

圖１．?２顯著性檢測(cè)發(fā)展歷程??Ｆｉｇ．?１．２?Ｔｈｅ?ｄｅｖｅｌｏｐｍｅｎｔ?ｏｆ?Ｓａｌｉｅｎｃｙ?Ｄｅｔｅｃｔｉｏｎ??－３?－??

作者又將注意力集中在了應(yīng)用機(jī)器學(xué)習(xí)解決顯著性目標(biāo)檢??測(cè)問(wèn)題以得到更好性能的算法。在這一期間涌現(xiàn)了大量算法，它們相比傳統(tǒng)基于啟發(fā)式??先驗(yàn)的算法性能更好。最近幾年，由于高性能顯卡的普及和深度學(xué)習(xí)（Ｄｅｅｐ?Ｌｅａｒｎｉｎｇ）??的發(fā)展�；诰矸e神經(jīng)網(wǎng)絡(luò)解決顯著性檢測(cè)的模型被大量提....

圖１．３不同種類(lèi)方法的顯著圖??Ｆｉｇ．?１．３?Ｔｈｅ?ｄｉｆｆｅｒｅｎｔ?ｍａｐｓ?ｆｒｏｍ?ｄｉｆｆｅｒｅｎｔ?ｍｅｔｈｏｄｓ??－６?－??

最終顯著圖。此外，本文作者在Ｅｎｃｏｄｅｒ??ＦＣＮ部分引入了一個(gè)稱(chēng)為Ｒ－ｄｒｏｐｏｕｔ層，將改進(jìn)的ｄｒｏｐｏｕｔ放在卷積之后，提升深度網(wǎng)??絡(luò)泛化能力。Ｈｏｕ等人［３７］提出了一種基于跳層連接的模型。這個(gè)模型從深層往淺層融合??多級(jí)特征，但與普通的鄰近兩層融合多級(jí)特征的方式所不....

圖２．?２人工神經(jīng)元??Ｆｉｇ．?２．２?Ｔｈｅ?ａｒｔｉｆｉｃｉａｌ?ｎｅｕｒｏｎ??根據(jù)圖２．２，第ｊ個(gè)神經(jīng)元的輸出可用下面公式表示：??ｎ??ａ－?＝?ａｗｋｘ＋?ｂ（２．?１）??

?一種用于顯著性目標(biāo)檢測(cè)的門(mén)控深層融合模型???函數(shù)處理后將被作為輸出值。??（３）激活函數(shù)：這個(gè)激活函數(shù)的作用是將權(quán)重和的值通過(guò)非線性函數(shù)映射到一個(gè)??適當(dāng)范圍。它的主要作用是增強(qiáng)網(wǎng)絡(luò)學(xué)習(xí)表示能力。??偏置??ｂｊ????ｗ１??ｘ１??？］?＾——＼????ｗ２?＼??ｘ２?....

本文編號(hào)：3965555