顯著目標檢測主要目的是檢測并分割出一幅圖像中最吸引人注意力的目標。顯著目標這一部分含有大量的圖片中最有價值的信息。所以在許多計算機視覺任務中只需要處理圖片中的顯著部分,就能夠在取得更高的任務性能的同時大大減少處理量。至今為止,顯著目標檢測已經被用做了許多計算機視覺任務的預處理方式,比如目標識別,圖像描述,圖像檢索等。深度卷積神經網絡可以從圖像中提取一般性很強的深度特征,這些深度特征對于視覺理解有很大幫助。所以計算機視覺任務開始使用深度卷積神經網絡來處理,包括顯著目標檢測。本文主要提出了兩種基于深度卷積神經網絡的顯著目標檢測算法。第一個算法構建了一個多階段改善的雙支路顯著目標檢測網絡。在這個網絡中,該算法主要是引入了基于卷積層的遞歸機制和通道注意力模塊來改善檢測效果。此外,還利用了迭代訓練方法使得不同階段學習到更加互補的特征。最終,該算法在幾個標準數據集上都取得了當前比較好的效果。第二個算法構建了一個多任務學習的雙支路深度卷積神經網絡。該算法利用目標輪廓檢測任務來輔助顯著目標檢測任務。在本算法中,我們先引入了基于語義對比局部特征的殘差模塊來改善顯著目標檢測結果。然后設計了一個特征交互模塊... 

【文章來源】：大連理工大學遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內外研究現狀
    1.3 章節(jié)安排
2 相關研究及本文工作
    2.1 相關研究及理論
        2.1.1 卷積神經網絡及顯著目標檢測理論
        2.1.2 遞歸網絡
        2.1.3 注意力機制
        2.1.4 多任務學習網絡
        2.1.5 目標輪廓檢測網絡
    2.2 本文工作及主要貢獻
3 基于多階段改善的顯著目標檢測網絡
    3.1 基礎多階段改善網絡
    3.2 基于卷積層的遞歸機制
    3.3 通道注意力模塊
    3.4 訓練策略
    3.5 實驗結果與分析
        3.5.1 標準數據集
        3.5.2 評價指標
        3.5.3 性能分析
        3.5.4 和近年來較好方法的性能對比
4 基于多任務學習的顯著目標檢測網絡
    4.1 基礎卷積-解卷積網絡結構
    4.2 特征交互模塊
    4.3 訓練和預測
    4.4 實驗分析
        4.4.1 評價指標和標準數據集
        4.4.2 性能分析
        4.4.3 與近年來較好方法的對比
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝


【參考文獻】：
碩士論文
[1]基于區(qū)域的圖像分割及視覺顯著性檢測算法研究[D]. 肖小龍.華東理工大學 2014
[2]基于區(qū)域對比度的視覺顯著性檢測算法研究[D]. 李勇.上海交通大學 2013



本文編號：3400893