基于深度神经网络的图像显著性检测关键技术研究
发布时间：2024-01-08 20:23
显著性检测旨在模仿人类的视觉注意力机制以检测视觉场景中最明显或最独特的区域或物体。它是最基础的图像预处理技术之一,可以使许多高级计算机视觉任务受益。从研究目标的角度来看,显著性检测可以分为人眼关注点预测和显著物体检测这两大分支。前者只需要突出显示图像中最显著的区域,而后者则将物体视为研究目标,需要准确定位和精确分割最显著的物体。传统方法通常提取诸如颜色和纹理之类的简单特征作为图像表达,然后诉诸对比度机制来对显著性进行建模,并结合自上而下的语义线索来预测人眼关注点。对于显著物体检测,研究人员通常将对比度与先验知识(例如边界先验和似物性先验)相结合以定位显著物体。然后可以采用基于分割的技术来细化显著图。然而,所有这些建模通常都是人为设计的,会因为对于人类视觉注意机制的了解不足而受到极大的限制。因此,传统的显著性模型通常在模型性能和泛化能力方面受到限制。为了解决上述问题,本文提出利用功能强大的深度神经网络(DNN)进行显著性检测。受益于使用大规模显著性数据的端到端训练,DNN可以以数据驱动的方式自动学习最佳的显著性建模元素,甚至包括一些以前传统方法中未曾注意或考虑到的元素。因此,基于DNN的...
【文章页数】：132 页
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 基于传统方法的人眼关注点预测研究现状
1.2.2 基于传统方法的显著物体检测研究现状
1.2.3 深度神经网络及其在显著性检测中的应用研究现状
1.3 本文研究内容和贡献
1.4 内容结构安排
2 基于多分辨率卷积神经网络的人眼关注点预测
2.1 引言
2.2 卷积神经网络
2.3 基于多分辨率卷积神经网络的人眼关注点预测
2.4 实验分析
2.4.1 基准数据集
2.4.2 评估指标
2.4.3 实现细节
2.4.4 与现有模型的比较
2.4.5 不同分辨率的影响
2.4.6 特征可视化
2.4.7 在RGB-D图像显著性检测任务上的结果
2.5 本章小结
3 基于空间和场景上下文信息的深度长期循环卷积网络的人眼关注点预测
3.1 引言
3.2 相关工作以及我们的方法的区别
3.3 用于显著性检测的DSCLRCN
3.3.1 使用CNN进行局部图像特征提取
3.3.2 用于上下文信息融合的DSCLSTM
3.4 实验分析
3.4.1 基准数据集
3.4.2 评估指标
3.4.3 实现细节
3.4.4 消融分析实验
3.4.5 与当前最佳模型的比较
3.5 本章小结
4 基于深度分级显著性网络的显著物体检测
4.1 引言
4.2 相关工作
4.3 用于显著物体检测的DHSNet
4.3.1 用于粗糙的全局预测的GV-CNN
4.3.2 用于分级显著图细化的HRCNN
4.4 实验分析
4.4.1 基准数据集
4.4.2 评估指标
4.4.3 实现细节
4.4.4 实验结果
4.4.5 模型组件分析
4.5 本章小结
5 基于像素级上下文注意模型的精确显著物体检测
5.1 引言
5.2 相关工作
5.2.1 注意力网络
5.2.2 基于深度学习的显著性检测
5.3 像素级上下文注意网络模型
5.3.1 全局注意力池化
5.3.2 局部注意力池化
5.3.3 注意力卷积
5.3.4 有效和高效的实现
5.3.5 与先前工作的区别
5.4 基于PiCANets的显著物体检测
5.4.1 编码器网络
5.4.2 Decoder Network
5.4.3 损失函数
5.5 实验分析
5.5.1 基准数据集
5.5.2 评估指标
5.5.3 实现细节
5.5.4 消融实验分析
5.5.5 与当前最佳模型的比较
5.5.6 在其他密集预测任务上的应用
5.6 本章小结
6 总结与展望
6.1 本文工作总结
6.2 研究展望
参考文献
本文编号：3877608
【文章页数】：132 页
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 基于传统方法的人眼关注点预测研究现状
1.2.2 基于传统方法的显著物体检测研究现状
1.2.3 深度神经网络及其在显著性检测中的应用研究现状
1.3 本文研究内容和贡献
1.4 内容结构安排
2 基于多分辨率卷积神经网络的人眼关注点预测
2.1 引言
2.2 卷积神经网络
2.3 基于多分辨率卷积神经网络的人眼关注点预测
2.4 实验分析
2.4.1 基准数据集
2.4.2 评估指标
2.4.3 实现细节
2.4.4 与现有模型的比较
2.4.5 不同分辨率的影响
2.4.6 特征可视化
2.4.7 在RGB-D图像显著性检测任务上的结果
2.5 本章小结
3 基于空间和场景上下文信息的深度长期循环卷积网络的人眼关注点预测
3.1 引言
3.2 相关工作以及我们的方法的区别
3.3 用于显著性检测的DSCLRCN
3.3.1 使用CNN进行局部图像特征提取
3.3.2 用于上下文信息融合的DSCLSTM
3.4 实验分析
3.4.1 基准数据集
3.4.2 评估指标
3.4.3 实现细节
3.4.4 消融分析实验
3.4.5 与当前最佳模型的比较
3.5 本章小结
4 基于深度分级显著性网络的显著物体检测
4.1 引言
4.2 相关工作
4.3 用于显著物体检测的DHSNet
4.3.1 用于粗糙的全局预测的GV-CNN
4.3.2 用于分级显著图细化的HRCNN
4.4 实验分析
4.4.1 基准数据集
4.4.2 评估指标
4.4.3 实现细节
4.4.4 实验结果
4.4.5 模型组件分析
4.5 本章小结
5 基于像素级上下文注意模型的精确显著物体检测
5.1 引言
5.2 相关工作
5.2.1 注意力网络
5.2.2 基于深度学习的显著性检测
5.3 像素级上下文注意网络模型
5.3.1 全局注意力池化
5.3.2 局部注意力池化
5.3.3 注意力卷积
5.3.4 有效和高效的实现
5.3.5 与先前工作的区别
5.4 基于PiCANets的显著物体检测
5.4.1 编码器网络
5.4.2 Decoder Network
5.4.3 损失函数
5.5 实验分析
5.5.1 基准数据集
5.5.2 评估指标
5.5.3 实现细节
5.5.4 消融实验分析
5.5.5 与当前最佳模型的比较
5.5.6 在其他密集预测任务上的应用
5.6 本章小结
6 总结与展望
6.1 本文工作总结
6.2 研究展望
参考文献
本文编号：3877608
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3877608.html
