CN114821059B 一种基于边界增强的显著性目标检测方法及系统 （西安交通大学）_第1页
CN114821059B 一种基于边界增强的显著性目标检测方法及系统 （西安交通大学）_第2页
CN114821059B 一种基于边界增强的显著性目标检测方法及系统 （西安交通大学）_第3页
CN114821059B 一种基于边界增强的显著性目标检测方法及系统 （西安交通大学）_第4页
CN114821059B 一种基于边界增强的显著性目标检测方法及系统 （西安交通大学）_第5页
已阅读5页，还剩19页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于边界增强的显著性目标检测方法本发明公开了一种基于边界增强的显著性征信息，一定程度上解决边界像素不清晰的问2S1，从训练集图像中提取不同分辨率的抽象特征图，对样后沿着通道进行拼接，输入到边界特征聚合模块中得到最终的包含边界信息的特征EF，S3，将包含多尺度信息的特征图进行多尺度信息提取S4，利用显著目标检测结果、边界检测结果以及对应使用反向传播策略优化网络的参数，使用损失函数帮显著性目标检测损失函数由两种侧重点不同的损失函数二值交叉熵损失在显著目标检测任务中是用的最多的损失3在ImageNet上训练完成的ResNet-50作为网络的主干从训练集图像中提取不同分辨率的抽卷积特征提取网络用于从训练集图像中提取不同分辨率的抽级融合特征图进行多尺度提取得到包含多尺度信息边界信息提取模块用于将得到的包含多尺度信息的特征图进行信息转化后进行拼接与包含边界信息的特征信息进行拼接得到显著性检测模块用于根据检测到的目标检测结果以及对应的训练集图像训练显著性目标检4域已经产生了很大的理论和应用价值，但它的另一份价值是作为许多其他视觉任务的辅有一些方法在显著性检测前使用超像素进行预处理提取边界或者在显著性预测图上使用在边界信息提取的网络结构和损失函数的设计上有着许多提5[0012]进一步的，步骤S1中卷积神经网络采用在ImageNet上训练完成的ResNet-50作为[0013]进一步的，采用在ImageNet上训练完成的ResNet-50作为网络的主干形成的网络[0020]进一步的，显著性目标检测的损失包括针对单个像素的交叉熵损失BCE和针对整问题,通过使用不同分辨率的特征信息相互进行补充，进一步加强单一分辨率特征的表达6其是一致性增强损失从整个图像层面进行监督，一方面可以使得损失函数更加侧重于前员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范络经过五组卷积操作后提取到了五个不同级别的抽象特征图F1-F5，尺寸分别为输入的1/7输入的特征Fi分别进行池化和上采样来对Fj降低通道维度后的特征；Fi代表互补阶段S1中经过补充后的第i[0047]第二阶段是特征聚合阶段S2，该阶段将来自不同通道的互补后的特征进行聚合，和sh38得到最终的包含边界信息的特征EF，边界聚合模块由四个包含残差操作的3×3卷积组成。[0060]由于边界像素的高度稀疏性，边界像素的数量和非边界9[0075]对显著性目标检测任务使用混合损失函数，从像素级和图像级两个层面进行监[0076]本申请在四组公开的显著检测数据集上取得了具有竞争性的Fmax和MAE结果，性征则将更低一级特征进行池化后和其进行元素相加，对于(2.2)中的每一级特征得到一个

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论