非局部注意机制和多监督的特征聚集块融合网络的显著目标检测

发布时间：2021-05-07 17:48

　　显著目标检测是根据生物视觉的注意力机制来实现,能够过滤掉图像中大部分不重要的背景信息,从而突显图像中的显著目标,往往作为计算机视觉领域的预处理步骤。随着深度神经网络与全卷积神经网络的出现为显著目标的检测结果带来巨大的进步。本文提出了一种全新的深度全卷积神经网络结构,命名为非局部注意机制和多监督的特征聚集块融合网络,旨在融合每层特征聚集块的丰富特征。特征聚集块除了有本层特征之外还有其他层的特征,即每层特征聚集块既具有深层网络的强语义信息也同时拥有浅层网络的详细特征。在自顶向下的融合过程中能像Res Net一样学习各层的残差信息。同时引入非局部的注意力机制以提升上下文的关联性,增加多个辅助的监督连接到中间步骤,从而让网络更加方便的进行优化与加速收敛。本文的创新点以及贡献点如下:（1）设计出一个全新的聚集块以包含深层的高级别语义信息与浅层的详细特征,这样主干网络的每层特征图都扩充成包含其他层的聚集块,并且聚集块的内部可以实现高级语义与详细特征的互补。（2）深层的高级别语义特征聚集块通过自顶向下的与浅层的特征聚集块进行融合连接,使得输出层可以精确的定位显著目标,并且特征聚集块的详细特征可以优化... 

【文章来源】：湘潭大学湖南省

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 课题研究背景与意义
    1.2 显著目标检测研究现状
        1.2.1 人工设计特征的显著目标检测
        1.2.2 基于深度学习的显著目标检测
    1.3 研究内容和论文结构
第2章 显著目标检测相关理论概述
    2.1 人工神经网络
        2.1.1 感知机模型
        2.1.2 多层感知机
        2.1.3 反向传播算法
    2.2 卷积神经网络
        2.2.1 卷积神经网络的特性
        2.2.2 卷积神经网络的组成
    2.3 卷积神经网络模型
        2.3.1 Alex Net网络模型
        2.3.2 VGGNet网络模型
        2.3.3 Res Net网络模型
    2.4 全卷积神经网络
        2.4.1 全卷积
        2.4.2 转置卷积层
第3章 自顶向下特征聚集块融合网络的显著目标检测
    3.1 自顶向下特征聚集块融合网络模型框架
    3.2 特征聚集块
    3.3 网络模型的融合概述
    3.4 全连接条件随机场
    3.5 实验结果与分析
        3.5.1 基准数据集和评价标准
        3.5.2 实验步骤及细节
        3.5.3 实验结果和对比分析
    3.6 本章小结
第4章 非局部注意机制和多监督的特征聚集块融合网络的显著目标检测
    4.1 非局部注意机制和多监督的特征聚集块融合网络模型框架
    4.2 非局部注意力机制
    4.3 损失函数
    4.4 实验的步骤与细节
    4.5 实验结果与分析
        4.5.1 显著图对比
        4.5.2 P-R曲线与F测量值曲线
        4.5.3 实验结果定量分析
    4.6 本章小结
第5章 总结与展望
    5.1 工作总结
    5.2 研究展望
参考文献
致谢
附录A 攻读硕士学位期间的研究成果


【参考文献】：
期刊论文
[1]生物神经网络系统动力学与功能研究[J]. 陆启韶,刘深泉,刘锋,王青云,侯中怀,郑艳红.  力学进展. 2008(06)
[2]视觉在生物系统中的应用[J]. 张国忠,王晓明,何鸿强,于哲.  制造业自动化. 2004(07)
[3]简单细胞方位选择性感受野组织形成的神经网络模型[J]. 杨谦,齐翔林,汪云九.  中国科学C辑:生命科学. 2000(04)



本文编号：3173815