基于时空深度神经网络的视频显著目标检测方法

发布时间：2022-01-26 07:25

　　显著性目标检测旨在确定自然场景中最能吸引人们注意力的目标区域。相比高层的图像理解算法,如目标检测、目标跟踪、图像检索,显著性目标检测属于底层的图像处理方法,可以利用其结果提升其他图像算法的速度和精度。根据显著性算法的输入数据不同,显著性目标检测可以分为图像显著性目标检测和视频显著性目标检测。相比图像显著性,视频显著性需要同时考虑单帧图像的空间特性和视频序列的时序特性,其计算复杂,挑战性高。本文的研究重点即为视频显著性目标检测。最近几年,基于深度学习的方法已成为各种视觉任务的研究热点。然而,现阶段基于深度学习的视频显著性检测仍存在以下难点:1)训练数据不足。深度网络是数据驱动的模型,需要使用大量的标记样本来完成网络训练。在视频显著性检测中,训练数据需要连续且像素级标定。然而,获取这样的标定数据困难。2)缺少鲁棒性高的时序特征。视频显著性不仅需要提取静态特征,而且需要考虑更为复杂的时序特征。传统的深度结构很难获取鲁棒的时序特征。3)空间信息与时间信息之间的相关性探索不足。现有方法对所提取的深度空间与时间特征多采用直接加权的方式融合,没有对两者之间的相关性进行深入探讨。本文针对上述三个问题展... 

【文章来源】：深圳大学广东省

【文章页数】：114 页

【学位级别】：博士

【部分图文】：

基于全卷积模型的视频显著性检测网络（DLVS[56]）

DAVIS与FBMS数据集上的PR曲线，其中视频显著性方法为实线（左栏），图像显著性检测方法为虚线（右栏）

所有方法在FBMS与DAVIS数据集上的PR曲线，其中视频显著性方法为实线（左栏），图


本文编号：3610082