顯著目標檢測是指借助于數(shù)學建模的方法,按照人類視覺系統(tǒng)去定義和分割圖像中最引人關注的目標區(qū)域。同時它也可以視為一種預處理技術去解決其他領域中目標與背景的分割問題,此時研究顯著目標在雜亂環(huán)境下的檢測就顯得比較重要。受到單模態(tài)RGB圖像信息量的限制,顯著目標檢測的性能雖然還在不斷地提高,但是提高的速度正在逐年減緩,并且趨向于一種飽和的狀態(tài)。隨著帶有深度相機的智能手機和高性能計算設備的普及,深度圖像的采集和處理變得更加便利,這為研究基于多模態(tài)的顯著目標檢測提供了新的機遇。在背景較為雜亂的場景下,當前主流的顯著目標檢測方法卻表現(xiàn)得不能令人滿意。借助于多任務學習的方法,結合顯著目標檢測和顯著目標存在預測兩個子任務去解決雜亂環(huán)境下的顯著性檢測,是一種有效的思路。本文對基于多模態(tài)和多任務的顯著目標檢測方法進行了系統(tǒng)深入的研究,主要工作內容及創(chuàng)新點總結歸納如下:（1）設計了一種基于多級上采樣融合的強監(jiān)督RGB-D顯著目標檢測方法。該方法通過上采樣融合模塊為特征融合提供了更多的跨模態(tài)融合路徑,并結合強監(jiān)督殘差模塊減少了多模態(tài)特征融合的模糊性,增強了充分性。（2）設計了一種基于顯著目標存在預測的顯著目標檢... 

【文章來源】：安徽大學安徽省 211工程院校

【文章頁數(shù)】：87 頁

【學位級別】：碩士

【部分圖文】：

五種方法在三個主流數(shù)據集上的平均MAE值

五種方法在非顯著圖片上的可視化比較

本章方法的網絡結構圖


本文編號：3083586