選取并簡化場景中的復(fù)雜信息是人類視覺系統(tǒng)的主要特性之一。計算機(jī)視覺領(lǐng)域效仿人類視覺上的這種特性,引入了顯著性檢測。顯著性目標(biāo)檢測作為一種圖像的預(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。近些年來隨著深度學(xué)習(xí)的迅猛發(fā)展,大量計算機(jī)視覺任務(wù)由手工設(shè)計算法轉(zhuǎn)變?yōu)樵O(shè)計深度學(xué)習(xí)模型解決問題。這一點對顯著性檢測領(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,其中一些模型帶來了性能上的大幅度提升。然而,這些模型依舊存在一些問題。例如,一些早期的方法使用全連接層來預(yù)測顯著性結(jié)果,這會導(dǎo)致空間信息的損失并占用大量的計算資源。全卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)促使包括顯著性目標(biāo)檢測問題在內(nèi)的端到端、像素到像素任務(wù)的進(jìn)步。但隨之帶來了新的問題,即如何有效的利用多級特征去獲得高質(zhì)量的顯著圖。一些方法僅僅使用深層特征或簡單的方式融合多級特征,這都會影響最終的預(yù)測結(jié)果。本文提出了一種門控深層融合模型用于顯著性檢測,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)測結(jié)果。首先,利用VGG16作為特征提取網(wǎng)絡(luò)提取多級特征,被提取的多級特征將被使用在融合...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

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

?一種用于顯著性目標(biāo)檢測的門控深層融合模型???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問題。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)用到計算機(jī)視....

圖１．?２顯著性檢測發(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??測問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)解決顯著性檢測的模型被大量提....

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

最終顯著圖。此外，本文作者在Ｅｎｃｏｄｅｒ??ＦＣＮ部分引入了一個稱為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。這個模型從深層往淺層融合??多級特征，但與普通的鄰近兩層融合多級特征的方式所不....

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)檢測的門控深層融合模型???函數(shù)處理后將被作為輸出值。??（３）激活函數(shù)：這個激活函數(shù)的作用是將權(quán)重和的值通過非線性函數(shù)映射到一個??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：3965555