CN112926667B - 深度融合边缘与高层特征的显著性目标检测方法及装置 - Google Patents

深度融合边缘与高层特征的显著性目标检测方法及装置 Download PDF

Info

Publication number
CN112926667B
CN112926667B CN202110245337.9A CN202110245337A CN112926667B CN 112926667 B CN112926667 B CN 112926667B CN 202110245337 A CN202110245337 A CN 202110245337A CN 112926667 B CN112926667 B CN 112926667B
Authority
CN
China
Prior art keywords
level
features
data set
training data
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN202110245337.9A
Other languages
English (en)
Other versions
CN112926667A (zh
Inventor
唐奇伶
刘子仪
卢玉红
张美玲
郭金鑫
郑菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN202110245337.9A priority Critical patent/CN112926667B/zh
Publication of CN112926667A publication Critical patent/CN112926667A/zh
Application granted granted Critical
Publication of CN112926667B publication Critical patent/CN112926667B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种深度融合边缘与高层特征的显著性目标检测方法及装置，在低层网络为每个感受野卷积核加入相应的调制核，扩大其信息感知范围并能保留空间细节信息，通过感受野与非经典感受野的联合作用，改进低层边缘特征的表达能力；构建高层引导的交互注意力网络，在高层信息的引导下使注意力聚焦在重点关注的目标区域，滤除来自背景的干扰，利用交互注意力作用，进一步优化区域边界；通过交互注意力、自注意力和层叠方式对特征进行深度融合与全局关联，在信息相互作用过程中实现特征筛选、特征互补和全局特征理解。本发明为复杂场景中显著性目标检测建立一个通用有效的计算模型，提高显著性对象的边界精确性、定位准确性和结构完整性。

Description

深度融合边缘与高层特征的显著性目标检测方法及装置
技术领域
本发明涉及图像处理、模式识别技术领域，具体涉及一种深度融合边缘与高层特征的显著性目标检测方法及装置。
背景技术
人类视觉***具有选择性的注意能力，可以从复杂的场景中快速发现重要的目标。显著性目标检测是鉴于人类视觉凝视点预测建立一种感兴趣区域检测模型，其广泛应用于图像检索、图像理解、语义分割、目标跟踪等视觉任务。显著性检测面临两个主要的挑战：1)目标边界的精确性。边界包含于显著图，但由于边界位于特征突变的地方，导致边界与区域内部产生的响应有所差异；尤其是低对比度环境，边界往往比较模糊；2)检测对象的完整性。显著性对象主体成分容易从背景中突出，但一些与主体长程关联的小部件或细微结构容易被缺失。
传统卷积操作的感受野大小有限，只能捕获局部信息，尽管可以通过堆叠相当数量的卷积层和和池化层来增大感受野，但是网络低层的感受野仍然很小，而低层正是获取边缘信息的重要特征表达层，生成的特征包含了大量无实际意义的纹理成分或者一些弱响应的重要结构不能突出。虽然网络深层增大了感受野能获得语义性更强的信息，但是丢失了细节性的空间信息，而这些空间信息对于像素精细分类来说是尤为重要。
为了融合不同层次的特征，通常采用层叠的方式将低层的空间细节与高层语义信息组合在一起，然而这种结合方式忽略了不同特征之间的差异，存在语义上的鸿沟，难以有效地融合这些特征，处理复杂场景中的目标时，由于高、低级特征简单的串联方式对于不同特征的语义鸿沟处理不当，会造成误检出背景中的物体、物体边缘粗糙以及细节丢失等后果。
发明内容
本发明提出了一种深度融合边缘与高层特征的显著性目标检测方法及装置，旨在解决高、低级特征简单的串联方式对于不同特征的语义鸿沟处理不当，造成复杂场景中显著性目标检测精度不高的技术问题。
为了实现上述目的，本发明提供了一种深度融合边缘与高层特征的显著性目标检测方法，所述显著性目标检测方法包括以下步骤：
获取图像训练数据集；
基于VGG-16神经网络构建初始显著性检测网络；
基于所述图像训练数据集通过反向传播算法有监督的最小化所述初始显著性检测网络的目标函数，得到优化后的显著性检测网络；
将待识别图像输入所述优化后的显著性检测网络，输出所述待识别图像的显著性目标检测结果。
优选地，所述基于所述图像训练数据集通过反向传播算法有监督的最小化所述初始显著性检测网络的目标函数，得到优化后的显著性检测网络的步骤，具体包括：
所述初始显著性检测网络包括两个低层网络和三个高层网络；
在两个所述低层网络建立非经典感受野调制神经网络；
初始化所述非经典感受野调制神经网络中的感受野层的参数，定义所述非经典感受野调制神经网络的目标函数；
根据所述目标函数，基于所述图像训练数据集训练所述非经典感受野调制神经网络有监督的学习所述图像训练数据集中图像的边缘特征；
获取三个所述高层网络的高层特征，根据所述高层特征计算得到高层注意映射、高层特征与低层特征的交互注意力映射，通过所述高层注意映射与所述交互注意力映射得到显著性区域的高层信息对低层产生的作用强度，根据所述作用强度联合所述高层特征和所述边缘特征有监督的学习所述图像训练数据集中图像的显著性特征，获得优化后的显著性检测网络。
优选地，所述基于所述图像训练数据集通过反向传播算法有监督的最小化所述初始显著性检测网络的目标函数，得到优化后的显著性检测网络，具体包括：
基于所述图像训练数据集，通过基于随机梯度下降的反向传播算法对所述初始显著性检测网络进行端到端的训练，输入为所述图像训练数据集中的图像，输出为所述图像训练数据集中图像的显著性映射，产生所述图像训练数据集中图像的每个像素的显著性得分概率，在训练过程中，通过反向传播算法有监督的计算所述初始显著性检测网络的目标函数，当所述目标函数最小时，得到优化后的显著性检测网络。
优选地，在对所述初始显著性检测网络进行训练的过程中，所述初始显著性检测网络的总损失函数为显著性边缘损失和显著性区域损失之和，具体计算公式如下：
Figure BDA0002963890530000031
其中显著性边缘损失利用二值交叉熵函数定义如下：
Figure BDA0002963890530000032
k为调控因子，平衡轮廓与非轮廓之间严重的类别不均衡，|Y+|和|T-|分别表示图像轮廓的正、负样本集，FL表示输入判别器的低层特征，WE表示对应的低层网络参数，P(yj＝1|FL；WE)表示像素j属于边缘类别的预测概率；显著性区域损失由两部分组成：高层特征产生的显著性区域损失和高低层特征融合后的产生显著性区域损失，计算公式如下：
Figure BDA0002963890530000033
式中l＝1对应高层特征产生的显著性区域损失，l＝2对应高低层特征融合后产生的显著性区域损失，Z+,Z-分别表示显著性区域像素集合与非显著性区域像素集合，
Figure BDA0002963890530000034
为预测像素i为显著性区域像素的概率值。
优选地，在所述获取图像训练数据集的步骤之后，还包括：对所述图像训练数据集进行数据增强，获得增强后的图像训练数据集，所述增强后的图像训练数据集用于对所述初始显著性检测网络进行有监督的学习。
此外，为了实现上述目的，本发明还提供了一种深度融合边缘与高层特征的显著性目标检测装置，所述显著性目标检测装置包括：
获取模块，用于获取图像训练数据集；
构建模块，用于基于VGG-16构建初始显著性检测网络；
训练模块，用于基于所述图像训练数据集通过反向传播算法有监督的最小化所述初始显著性检测网络的目标函数，得到优化后的显著性检测网络；
检测模块，用于将待识别图像输入所述优化后的显著性检测网络，输出所述待识别图像的显著性目标检测结果。
本发明提供的技术方案带来的有益效果是：本发明建立了一种具有非经典感受野调制机制网络结构，扩大低层网络的信息感知范围并能保留空间细节信息，通过感受野与非经典感受野的联合作用，减少背景纹理边缘，突出区域边界，提高低层特征的表达能力；构建了一种高层引导的交互注意力模型，实现特征筛选与特征互补一体化，在高层信息的引导下使注意力聚焦在重点关注的目标区域，滤除了来自背景的干扰，通过交互注意力作用，进一步优化区域边界，提高了显著图的完整性与准确性。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明深度融合边缘与高层特征的显著性目标检测方法的执行流程图；
图2为本发明深度融合边缘与高层特征的显著性目标检测的网络结构图；
图3为本发明非经典感受野调制模块的示意图；
图4为本发明深度融合边缘与高层特征的显著性目标检测装置结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参考图1，本发明深度融合边缘与高层特征的显著性目标检测方法包括以下步骤：
S1、获取图像训练数据集(每张图像上有边缘标签和显著性标签)；
S2、基于VGG-16神经网络(骨干网络)构建初始显著性检测网络；
参考图2，在步骤S2中，所述初始显著性检测网络包括两个低层网络和三个高层网络；VGG-16神经网络的第1、2层(低层网络)用于显式地学习显著性边缘特征，VGG-16神经网络的3、4、5层(高层网络)用于进行显著性区域的有监督学习；
S3、基于所述图像训练数据集通过反向传播算法有监督的最小化所述初始显著性检测网络的目标函数，得到优化后的显著性检测网络；
步骤S3具体包括：
S31、在两个所述低层网络(Conv1-2、Conv2-2)建立非经典感受野调制神经网络；初始化所述非经典感受野调制神经网络中的感受野层的参数，定义所述非经典感受野调制神经网络的目标函数；根据所述目标函数，基于所述图像训练数据集训练所述非经典感受野调制神经网络有监督的学习所述图像训练数据集中图像的边缘特征；
参考图3，在Conv1-2与Conv2-2骨干网络的卷积核后加入一个非经典感受野调制层，对卷积核感受野产生的原有响应进行调制作用，即在感受野的周边建立一个非经典感受野调制区域，其尺度选为感受野的3倍，然后结合感受野的响应与非经典感受野的调制响应，并通过ReLU运算将负值置为0。对调制后的特征通过卷积层进行组合形成更加复杂的刺激，将Conv2-2的特征上采样后与Conv1-2特征串联，并以图像训练数据集中图像对应的边缘Groundtruth作为监督信号，引导网络低层进行显式的边缘特征学习(即利用低层网络产生的特征与图像训练数据集中图像对应的边缘标签进行有监督学习边缘表达)；
S32、获取三个所述高层网络(Conv3-3、Conv4-3和Conv5-3)的高层特征，根据所述高层特征计算得到高层注意映射、高层特征与低层特征的交互注意力映射，通过所述高层注意映射与所述交互注意力映射得到显著性区域的高层信息对低层产生的作用强度，根据所述作用强度联合所述高层特征和所述边缘特征得到融合特征，利用所述融合特征与图像训练数据集中图像对应的显著性标签有监督的学习所述图像训练数据集中图像的显著性特征，获得优化后的显著性检测网络；
步骤S32具体为：将Conv3-3，Conv4-3与Conv5-3的高层特征逐层向上传输的过程中融合上一层更多的空间信息，并利用自注意力机制(Self-attention)产生具有全局关联性的特征，输入判别器通过监督学习得到显著性得分，并进行阈值化处理得到背景为0与目标为1的粗略显著图，利用该高层显著图计算高层注意映射；计算每个低层边缘特征向量和高层特征向量组成的相关矩阵，并采用Softmax函数对其进行归一化得到交互注意力映射；使用高层注意映射作为掩膜版作用在交互注意力映射上，所生成的输出与高层信息进行矩阵相乘，得到有效区域的高层信息对低层产生的作用强度；根据作用强度将高层与低层特征进行层叠联合，再次利用自注意力机制产生具有全局关联性的特征，输入判别器通过监督学习获取精确的显著性特征，最终得到优化后的显著性检测网络。
S4、将待识别图像输入所述优化后的显著性检测网络，输出所述待识别图像的显著性目标检测结果。
在具体实施中，随机初始化所述初始显著性检测网络中的参数，基于所述图像训练数据集，通过基于随机梯度下降的反向传播算法对所述初始显著性检测网络进行端到端的训练，输入为所述图像训练数据集中的图像，输出为所述图像训练数据集中图像的显著性映射，产生所述图像训练数据集中图像的每个像素的显著性得分概率，在训练过程中，通过反向传播算法有监督的计算所述初始显著性检测网络的目标函数，当所述目标函数最小时，得到优化后的显著性检测网络。
训练所述初始显著性检测网络具体包括：在所述初始显著性检测网络的低层嵌入非经典感受野调制模块扩大低层感受野接受信息的空间范围，利用感受野与非经典感受的联合特征，训练低层网络学习边缘特征；训练高层网络特征信息获取粗略的显著图；训练高层与低层融合特征实现更精细更完整的显著性目标检测。
所述初始显著性检测网络采用多层监督学习，包括学习低层显著性边缘、高层粗略的显著图以及高低层特征融合后精细的显著图。所述初始显著性检测网络的总损失函数为显著性边缘损失和显著性区域损失之和，具体计算公式如下：
Figure BDA0002963890530000061
其中显著性边缘损失利用二值交叉熵函数定义如下：
Figure BDA0002963890530000062
k为调控因子，平衡轮廓与非轮廓之间严重的类别不均衡，|Y+|和|Y-|分别表示图像轮廓的正、负样本集，FL表示输入判别器的低层特征，WE表示对应的低层网络参数，P(yj＝1|FL；WE)表示像素j属于边缘类别的预测概率；显著性区域损失由两部分组成：高层特征产生的显著性区域损失和高低层特征融合后的产生显著性区域损失，计算公式如下：
Figure BDA0002963890530000063
式中l＝1对应高层特征产生的显著性区域损失，l＝2对应高低层特征融合后产生的显著性区域损失，Z+,Z-分别表示显著性区域像素集合与非显著性区域像素集合，
Figure BDA0002963890530000064
为预测像素i为显著性区域像素的概率值。
参考图4，为了实现所述深度融合边缘与高层特征的显著性目标检测方法，本发明具体实施例还提供了一种深度融合边缘与高层特征的显著性目标检测装置，所述显著性目标检测装置包括：
获取模块，用于获取图像训练数据集；
构建模块，用于基于VGG-16构建初始显著性检测网络；
训练模块，用于基于所述图像训练数据集通过反向传播算法有监督的最小化所述初始显著性检测网络的目标函数，得到优化后的显著性检测网络；
检测模块，用于将待识别图像输入所述优化后的显著性检测网络，输出所述待识别图像的显著性目标检测结果。
本发明建立了一种具有非经典感受野调制机制网络结构，扩大低层网络的信息感知范围并能保留空间细节信息，通过感受野与非经典感受野的联合作用，减少背景纹理边缘，突出区域边界，提高低层特征的表达能力；构建了一种高层引导的交互注意力模型，实现特征筛选与特征互补一体化，在高层信息的引导下使注意力聚焦在重点关注的目标区域，滤除了来自背景的干扰，通过交互注意力作用，进一步优化区域边界，提高了显著图的完整性与准确性。
上面结合附图对本发明的示例进行了描述，但是本发明并不将优先于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权力要求所保护的范围情况下，还可以做出很多形式，均属于本发明的保护之内。

Claims (5)

1.一种深度融合边缘与高层特征的显著性目标检测方法，其特征在于：所述显著性目标检测方法包括以下步骤：
获取图像训练数据集；
基于VGG-16神经网络构建初始显著性检测网络；
基于所述图像训练数据集通过反向传播算法有监督的最小化所述初始显著性检测网络的目标函数，得到优化后的显著性检测网络；
所述初始显著性检测网络包括两个低层网络和三个高层网络；
在两个所述低层网络建立非经典感受野调制神经网络；
初始化所述非经典感受野调制神经网络中的感受野层的参数，定义所述非经典感受野调制神经网络的目标函数；
根据所述目标函数，基于所述图像训练数据集训练所述非经典感受野调制神经网络有监督的学习所述图像训练数据集中图像的边缘特征；
获取三个所述高层网络的高层特征，根据所述高层特征计算得到高层注意映射、高层特征与低层特征的交互注意力映射，通过所述高层注意映射与所述交互注意力映射得到显著性区域的高层信息对低层产生的作用强度，根据所述作用强度联合所述高层特征和所述边缘特征有监督的学习所述图像训练数据集中图像的显著性特征，获得优化后的显著性检测网络；
将待识别图像输入所述优化后的显著性检测网络，输出所述待识别图像的显著性目标检测结果。
2.如权利要求1所述的显著性目标检测方法，其特征在于：所述基于所述图像训练数据集通过反向传播算法有监督的最小化所述初始显著性检测网络的目标函数，得到优化后的显著性检测网络，具体包括：
基于所述图像训练数据集，通过基于随机梯度下降的反向传播算法对所述初始显著性检测网络进行端到端的训练，输入为所述图像训练数据集中的图像，输出为所述图像训练数据集中图像的显著性映射，产生所述图像训练数据集中图像的每个像素的显著性得分概率，在训练过程中，通过反向传播算法有监督的计算所述初始显著性检测网络的目标函数，当所述目标函数最小时，得到优化后的显著性检测网络。
3.如权利要求1所述的显著性目标检测方法，其特征在于：在对所述初始显著性检测网络进行训练的过程中，所述初始显著性检测网络的总损失函数为显著性边缘损失和显著性区域损失之和，具体计算公式如下：
Figure FDA0003752803880000021
其中显著性边缘损失利用二值交叉熵函数定义如下：
Figure FDA0003752803880000022
k为调控因子，平衡轮廓与非轮廓之间严重的类别不均衡，Y+和Y-分别表示图像轮廓的正、负样本集，FL表示输入判别器的低层特征，WE表示对应的低层网络参数，P(yj＝1|FL；WE)表示像素j属于边缘类别的预测概率，P(yj＝0|FL；WE)表示像素j属于非边缘类别的预测概率；显著性区域损失由两部分组成：高层特征产生的显著性区域损失和高低层特征融合后的产生显著性区域损失，计算公式如下：
Figure FDA0003752803880000023
式中l＝1对应高层特征产生的显著性区域损失，l＝2对应高低层特征融合后产生的显著性区域损失，Z+,Z-分别表示显著性区域像素集合与非显著性区域像素集合，
Figure FDA0003752803880000024
为预测像素i为显著性区域像素的概率值，
Figure FDA0003752803880000025
为预测像素i为非显著性区域像素的概率值，
Figure FDA0003752803880000026
和
Figure FDA0003752803880000027
分别表示高层特征与对应的高层网络参数，
Figure FDA0003752803880000028
和
Figure FDA0003752803880000029
分别表示高低层融合后的特征与对应的融合层网络参数。
4.如权利要求1所述的显著性目标检测方法，其特征在于：在所述获取图像训练数据集的步骤之后，还包括：
对所述图像训练数据集进行数据增强，获得增强后的图像训练数据集，所述增强后的图像训练数据集用于对所述初始显著性检测网络进行有监督的学习。
5.一种深度融合边缘与高层特征的显著性目标检测装置，其特征在于，所述显著性目标检测装置包括：
获取模块，用于获取图像训练数据集；
构建模块，用于基于VGG-16构建初始显著性检测网络；
训练模块，用于基于所述图像训练数据集通过反向传播算法有监督的最小化所述初始显著性检测网络的目标函数，得到优化后的显著性检测网络；
所述初始显著性检测网络包括两个低层网络和三个高层网络；
所述训练模块具体用于在两个所述低层网络建立非经典感受野调制神经网络；
还用于初始化所述非经典感受野调制神经网络中的感受野层的参数，定义所述非经典感受野调制神经网络的目标函数；
还用于根据所述目标函数，基于所述图像训练数据集训练所述非经典感受野调制神经网络有监督的学习所述图像训练数据集中图像的边缘特征；
还用于获取三个所述高层网络的高层特征，根据所述高层特征计算得到高层注意映射、高层特征与低层特征的交互注意力映射，通过所述高层注意映射与所述交互注意力映射得到显著性区域的高层信息对低层产生的作用强度，根据所述作用强度联合所述高层特征和所述边缘特征有监督的学习所述图像训练数据集中图像的显著性特征，获得优化后的显著性检测网络；
检测模块，用于将待识别图像输入所述优化后的显著性检测网络，输出所述待识别图像的显著性目标检测结果。
CN202110245337.9A 2021-03-05 2021-03-05 深度融合边缘与高层特征的显著性目标检测方法及装置 Expired - Fee Related CN112926667B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110245337.9A CN112926667B (zh) 2021-03-05 2021-03-05 深度融合边缘与高层特征的显著性目标检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110245337.9A CN112926667B (zh) 2021-03-05 2021-03-05 深度融合边缘与高层特征的显著性目标检测方法及装置

Publications (2)

Publication Number Publication Date
CN112926667A CN112926667A (zh) 2021-06-08
CN112926667B true CN112926667B (zh) 2022-08-30

Family

ID=76173503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110245337.9A Expired - Fee Related CN112926667B (zh) 2021-03-05 2021-03-05 深度融合边缘与高层特征的显著性目标检测方法及装置

Country Status (1)

Country Link
CN (1) CN112926667B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926423B (zh) * 2022-05-12 2023-02-10 深圳大学 基于注意力及边界约束的息肉图像分割方法、装置、设备及介质
CN115273154B (zh) * 2022-09-26 2023-01-17 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于边缘重构的热红外行人检测方法、***及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909924A (zh) * 2017-02-18 2017-06-30 北京工业大学 一种基于深度显著性的遥感影像快速检索方法
CN110084249A (zh) * 2019-04-24 2019-08-02 哈尔滨工业大学 基于金字塔特征注意的图像显著性检测方法
CN110210493A (zh) * 2019-04-30 2019-09-06 中南民族大学 基于非经典感受野调制神经网络的轮廓检测方法及***
CN110633708A (zh) * 2019-06-28 2019-12-31 中国人民解放军军事科学院国防科技创新研究院 一种基于全局模型和局部优化的深度网络显著性检测方法
CN111523410A (zh) * 2020-04-09 2020-08-11 哈尔滨工业大学 一种基于注意力机制的视频显著性目标检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108664981B (zh) * 2017-03-30 2021-10-26 北京航空航天大学 显著图像提取方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106909924A (zh) * 2017-02-18 2017-06-30 北京工业大学 一种基于深度显著性的遥感影像快速检索方法
CN110084249A (zh) * 2019-04-24 2019-08-02 哈尔滨工业大学 基于金字塔特征注意的图像显著性检测方法
CN110210493A (zh) * 2019-04-30 2019-09-06 中南民族大学 基于非经典感受野调制神经网络的轮廓检测方法及***
CN110633708A (zh) * 2019-06-28 2019-12-31 中国人民解放军军事科学院国防科技创新研究院 一种基于全局模型和局部优化的深度网络显著性检测方法
CN111523410A (zh) * 2020-04-09 2020-08-11 哈尔滨工业大学 一种基于注意力机制的视频显著性目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Hierarchical Feature Fusion Network for Salient Object Detection;Xuelong Li等;《IEEE Transactions on Image Processing》;20200918;第9165-9175页 *
结合空间注意力多层特征融合显著性检测;陈凯 等;《中国图象图形学报》;20200630;第1130-1141页 *

Also Published As

Publication number Publication date
CN112926667A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN110956094B (zh) 一种基于非对称双流网络的rgb-d多模态融合人员检测方法
CN108446617B (zh) 抗侧脸干扰的人脸快速检测方法
CN108399362B (zh) 一种快速行人检测方法及装置
CN111046880A (zh) 一种红外目标图像分割方法、***、电子设备及存储介质
CN111079739B (zh) 一种多尺度注意力特征检测方法
CN111914665B (zh) 一种人脸遮挡检测方法、装置、设备及存储介质
CN110929593A (zh) 一种基于细节辨别区别的实时显著性行人检测方法
CN112926667B (zh) 深度融合边缘与高层特征的显著性目标检测方法及装置
CN113609896A (zh) 基于对偶相关注意力的对象级遥感变化检测方法及***
CN112927209B (zh) 一种基于cnn的显著性检测***和方法
CN113592893B (zh) 一种确定主体和精准化边缘相结合的图像前景分割方法
CN113128481A (zh) 一种人脸活体检测方法、装置、设备及存储介质
CN113516126A (zh) 一种基于注意力特征融合的自适应阈值场景文本检测方法
CN114220126A (zh) 一种目标检测***及获取方法
CN113065379B (zh) 融合图像质量的图像检测方法、装置、电子设备
CN114299383A (zh) 基于密度图与注意力机制融合的遥感图像目标检测方法
CN111340059A (zh) 图像特征提取方法、装置、电子设备及存储介质
CN111967399A (zh) 一种基于改进的Faster RCNN行为识别方法
CN116129129A (zh) 一种人物交互检测模型及检测方法
CN116524312A (zh) 一种基于注意力融合特征金字塔网络的红外小目标检测方法
CN114708173A (zh) 图像融合方法、计算机程序产品、存储介质及电子设备
CN111340044A (zh) 图像处理方法、装置、电子设备及存储介质
CN113723181B (zh) 一种无人机航拍目标检测方法和装置
CN114529828A (zh) 遥感图像居民地要素提取方法和装置及设备
CN111160255B (zh) 一种基于三维卷积网络的捕鱼行为识别方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Tang Qiling

Inventor after: Liu Ziyi

Inventor after: Lu Yuhong

Inventor after: Zhang Meiling

Inventor after: Guo Jinxin

Inventor after: Zheng Fei

Inventor before: Tang Qiling

Inventor before: Liu Ziyi

Inventor before: Zhang Meiling

Inventor before: Guo Jinxin

Inventor before: Lu Yuhong

Inventor before: Zheng Fei

GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220830