顯著目標(biāo)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(biāo)。顯著目標(biāo)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(jī)視覺任務(wù)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(wù)性能的同時大大減少處理量。至今為止,顯著目標(biāo)檢測已經(jīng)被用做了許多計算機(jī)視覺任務(wù)的預(yù)處理方式,比如目標(biāo)識別,圖像描述,圖像檢索等。深度卷積神經(jīng)網(wǎng)絡(luò)可以從圖像中提取一般性很強(qiáng)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(jī)視覺任務(wù)開始使用深度卷積神經(jīng)網(wǎng)絡(luò)來處理,包括顯著目標(biāo)檢測。本文主要提出了兩種基于深度卷積神經(jīng)網(wǎng)絡(luò)的顯著目標(biāo)檢測算法。第一個算法構(gòu)建了一個多階段改善的雙支路顯著目標(biāo)檢測網(wǎng)絡(luò)。在這個網(wǎng)絡(luò)中,該算法主要是引入了基于卷積層的遞歸機(jī)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(xùn)練方法使得不同階段學(xué)習(xí)到更加互補(bǔ)的特征。最終,該算法在幾個標(biāo)準(zhǔn)數(shù)據(jù)集上都取得了當(dāng)前比較好的效果。第二個算法構(gòu)建了一個多任務(wù)學(xué)習(xí)的雙支路深度卷積神經(jīng)網(wǎng)絡(luò)。該算法利用目標(biāo)輪廓檢測任務(wù)來輔助顯著目標(biāo)檢測任務(wù)。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(biāo)檢測結(jié)果。然后設(shè)計了一個特征交互模塊... 

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

【文章頁數(shù)】：61 頁

【學(xué)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(nèi)外研究現(xiàn)狀
    1.3 章節(jié)安排
2 相關(guān)研究及本文工作
    2.1 相關(guān)研究及理論
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)及顯著目標(biāo)檢測理論
        2.1.2 遞歸網(wǎng)絡(luò)
        2.1.3 注意力機(jī)制
        2.1.4 多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)
        2.1.5 目標(biāo)輪廓檢測網(wǎng)絡(luò)
    2.2 本文工作及主要貢獻(xiàn)
3 基于多階段改善的顯著目標(biāo)檢測網(wǎng)絡(luò)
    3.1 基礎(chǔ)多階段改善網(wǎng)絡(luò)
    3.2 基于卷積層的遞歸機(jī)制
    3.3 通道注意力模塊
    3.4 訓(xùn)練策略
    3.5 實驗結(jié)果與分析
        3.5.1 標(biāo)準(zhǔn)數(shù)據(jù)集
        3.5.2 評價指標(biāo)
        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(wù)學(xué)習(xí)的顯著目標(biāo)檢測網(wǎng)絡(luò)
    4.1 基礎(chǔ)卷積-解卷積網(wǎng)絡(luò)結(jié)構(gòu)
    4.2 特征交互模塊
    4.3 訓(xùn)練和預(yù)測
    4.4 實驗分析
        4.4.1 評價指標(biāo)和標(biāo)準(zhǔn)數(shù)據(jù)集
        4.4.2 性能分析
        4.4.3 與近年來較好方法的對比
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝


【參考文獻(xiàn)】：
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(xué) 2014
[2]基于區(qū)域?qū)Ρ榷鹊囊曈X顯著性檢測算法研究[D]. 李勇.上海交通大學(xué) 2013



本文編號：3400893