图像协同显著性检测方法研究

发布时间：2021-03-06 02:55

　　人类视觉注意力机制研究表明,视觉场景中的不同对象对人类具有不同的吸引程度。如何通过计算机模拟人类的视觉特点,提取图像中的感兴趣的区域,即显著区域,是显著性检测的基本问题。图像显著性研究的主要任务是让计算机视觉系统能够模拟人类的视觉能力去准确地检测图像中的显著区域。近年来,图像显著性研究受到业界的广泛关注。各种显著性检测方法被相继提出,然而现有工作大多局限于处理单幅图像中的独立显著目标。在实际生活中,人们感兴趣的目标往往是一组图像中共同的前景物体或同类的物体。因此人们需要结合图像组中的上下文信息才能确定感兴趣的目标。如何从一组图像中检测出各图像共同的显著目标,是协同显著性检测的基本任务。在图像协同显著性检测方向上虽然已经开展了大量的研究工作,然而实际场景受到光照、视角、遮挡、形变等复杂环境的影响,共同显著目标的外观具有不确定性,增加了协同显著性检测的难度。因此现有方法在协同显著性检测上的性能仍然不够理想,亟待研究更为有效的图像协同显著性检测方法。本文对图像协同显著性检测方法进行了系统深入的研究,主要工作内容及创新点总结归纳如下:1、提出了一种综合超图优化与种子传播的无监督协同显著性检测方... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：98 页

【学位级别】：博士

【部分图文】：

百度日库实例

雜－也：．一——少??．飞喝＇．＇一＾??图１．４前背景混清示意图??釋■画??ｉＳＰ＇ｉａｓ?＾ＨＨｌ??Ｈｉｇｈ－ｌｅｖｅｌ?ｆｅａｔｕｒｅ?＞?Ｌｏｗ－ｌｅｖｅｔ?ｆｅａｔｕｒｅ?Ｌｏｗ?ｌｅｖｅｌ?ｆｅａｔｕｒｅ?＞?Ｈｔｇｈ?ｌｅｖｅＪ?ｆｅａｔｕｒｅ??（ａ）?（ｂ）??图１．５协同显著性检测不同的案例对应特征的重要性不同??见，能够突出共同显著目标的特征表达与给定图像组的内容密切相关，不同的图??像组所需要的特征类型是不尽相同的，固定的特征类型对于所有场景并不是鲁??棒的。目前还没有关于根据给定图像组的特定内容选择适当特征的工作，因此我??们认为这是未来的一个值得研究并具有挑战性方向。为了解决这个问题，本文提??出一种新颖的特征自适应选择的半监督协同显著性检测方法，有效的学习到了??各个任务所需的有效特征。??３、在网络结构方面：近年来，深度学习技术在计算机视觉中有广泛的应用，??从底层的任务（比如图像去噪去雾）到高层的任务（比如图像／视频动作识别）。??深度学习技术通过多层网络学习而不是依赖于手工特征获得了更好的性能和灵??活性。受到深度学习在计算机视觉上广泛应用的启发，近年来许多学者尝试利用??深度学习技术提升协同显著性检测性能。现存的基于深度学习的协同显著性检??测方法主要包括两个策略：第一

（ａ）?（ｂ）??图１．５协同显著性检测不同的案例对应特征的重要性不同??见，能够突出共同显著目标的特征表达与给定图像组的内容密切相关，不同的图??像组所需要的特征类型是不尽相同的，固定的特征类型对于所有场景并不是鲁??棒的。目前还没有关于根据给定图像组的特定内容选择适当特征的工作，因此我??们认为这是未来的一个值得研究并具有挑战性方向。为了解决这个问题，本文提??出一种新颖的特征自适应选择的半监督协同显著性检测方法，有效的学习到了??各个任务所需的有效特征。??３、在网络结构方面：近年来，深度学习技术在计算机视觉中有广泛的应用，??从底层的任务（比如图像去噪去雾）到高层的任务（比如图像／视频动作识别）。??深度学习技术通过多层网络学习而不是依赖于手工特征获得了更好的性能和灵??活性。受到深度学习在计算机视觉上广泛应用的启发，近年来许多学者尝试利用??深度学习技术提升协同显著性检测性能。现存的基于深度学习的协同显著性检??测方法主要包括两个策略：第一


本文编号：3066316