APP下载

高效通道注意力和特征融合的协同显著性检测算法

2022-07-13张德华李俊豪张静凯肖启阳

哈尔滨工业大学学报 2022年11期
关键词:特征提取特征检测

张德华,李俊豪,张静凯,肖启阳

(1.河南大学 人工智能学院,郑州 450046;2.河南大学 迈阿密学院,河南 开封 475004)

显著性检测是通过计算机模拟人类视觉系统易被显著物体刺激的特性来检测图像当中的显著物体,被广泛应用于众多领域,成为当前图像检测领域的关键研究之一[1]。因传统的显著性检测被认为是一种偏向计算资源的分配,而且对单一图片中标注显著区域,无法解决复杂背景下一张图片甚至一组图片包含多个显著目标区域的问题。因此,为突破传统显著性检测的束缚,近年来提出了协同显著性检测(co-saliency detection,CD)[2]概念,并成为当前一个热门的研究领域,目前已广泛应用于如图像裁剪[2]、协同分割[3]、图像检索[4]和视频前景检测[5]等许多更复杂的计算机视觉任务当中。

早期研究[5-6]主要集中在无监督学习方法,直接将单幅图的显著特征图作为对应图的特征,然后通过特征匹配和聚类的方法直接将其与其他图的显著特征图进行组合得到最终结果,但其组合的权重是固定不变的,这很明显制约了学习的效果和精度。而文献[7]对此进行了改进,提出了一种秩约束的方法得到自适应组合权重,取得了较好的效果,但由于无监督学习方法依赖人工设计的特征,这些特征常常不包含语义信息[8]。因此这些算法在亮度或拍摄角度的改变下等复杂场景中预测结果和真实值差距较大[9]。故近年来,在该领域无监督学习的方法研究主要集中于图学习和图优化[10-12]。……

登录APP查看全文

猜你喜欢

特征提取特征检测
如何表达“特征”
基于Gazebo仿真环境的ORB特征提取与比对的研究
不忠诚的四个特征
一种基于LBP 特征提取和稀疏表示的肝病识别算法
小波变换在PCB缺陷检测中的应用
基于MED和循环域解调的多故障特征提取
线性代数的应用特征
Walsh变换在滚动轴承早期故障特征提取中的应用