采用特征引导机制的显著性检测网络

近年来,基于全卷积网络的显著性物体检测方法较手工选取特征的方法已经取得了较大的进展,但针对复杂场景图像的检测仍存在一些问题需要解决。提出了一种新的基于全局特征引导的显著性物体检测模型,研究深层语义特征在多尺度多层次特征表达中的重要作用。以特征金字塔网络的编解码结构为基础,在自底而上的路径中,设计了全局特征生成模块(GGM),准确提取显著性物体的位置信息;构建了加强上下文联系的残差模块(RM),提取各侧边输出的多尺度特征;采用特征引导流(GF)融合全局特征生成模块和残差模块,利用深层语义特征去引导浅层特征提取,高亮显著目标的同时抑制背景噪声。实验结果表明,在5个基准数据集上与11种主流方法相比,该模型具有优越性。

FMF的火焰显著性检测

为准确定位火源点,实现火灾预警,提出一种基于人眼视觉注意机制的实时监测火灾预警方法。首先,根据图像对抗理论,提取视频序列中每一帧图像的亮度和颜色特征;其次,运用像素级显著性检测算法,构建描述特征信息的多尺度空间高斯金字塔;然后,运用跨尺度特征相加方法,融合中心-邻域对比度金字塔,得到静态显著性图;最后,结合动态帧差法,将多特征融合(FMF)算法得到的显著性图作动态帧差,寻找视频帧中属于火焰的区域,在公开的数据集上就4种评价指标与6种代表性算法作对比。结果表明:FMF算法通过显著性分析方法描述多尺度空间特征信息,其鲁棒性更强;与6种算法相比,FMF算法在准确率和漏检率上有较明显的优势,且能准确识别与定位火焰,防范火灾的发生。

基于密集连接的层次化显著性物体检测网络

全卷积神经网络(FCN)在许多密集标记任务中表现出色。最近,基于FCN的显著性物体检测模型得到了快速发展。在本文中,提出了一种基于FCN的像素级显著物体检测网络。该模型首先通过自动学习多层次多尺度的显著性特征进行显著性粗略预测,包括颜色、纹理、形状和物体性等特征。然后采用密集连接的特征提取模块来进一步提取更丰富的特征信息。此外,本文引入跳层结构以提供更好的特征表示,利用深层产生的物体性语义特征引导浅层输出的显著性图更好定位显著性对象,最后,网络使用加权融合模块以组合各种特征。为了进一步提高显著图的空间连贯性并生成清晰轮廓,本文采用条件随机场(CRF)模型作为后处理步骤以优化网络预测得到的加权显著性图。整个网络以粗糙到精细的方式进行显著性检测,在5个公开的常用基准数据集上进行性能评估,并与10个具有代表性的算法进行比较,证明了本文所提模型的稳健性和有效性。

多尺度卷积神经网络显著物体检测

目的传统显著性检测模型大多利用手工选择的中低层特征和先验信息进行物体检测,其准确率和召回率较低,随着深度卷积神经网络的兴起,显著性检测得以快速发展。然而,现有显著性方法仍存在共性缺点,难以在复杂图像中均匀地突显整个物体的明确边界和内部区域,主要原因是缺乏足够且丰富的特征用于检测。方法在VGG(visual geometry group)模型的基础上进行改进,去掉最后的全连接层,采用跳层连接的方式用于像素级别的显著性预测,可以有效结合来自卷积神经网络不同卷积层的多尺度信息。此外,它能够在数据驱动的框架中结合高级语义信息和低层细节信息。为了有效地保留物体边界和内部区域的统一,采用全连接的条件随机场(conditional random field,CRF)模型对得到的显著性特征图进行调整。结果本文在6个广泛使用的公开数据集DUT-OMRON(Dalian University of Technology and OMRON Corporation)、ECSSD(extended complex scene saliency dataset)、SED2(segmentation evalution database 2)、HKU、PASCAL-S和SOD(salient objects dataset)上进行了测试,并就准确率—召回率(precision-recall,PR)曲线、F测度值(F-measure)、最大F测度值、加权F测度值和均方误差(mean absolute error,MAE)等性能评估指标与14种最先进且具有代表性的方法进行比较。结果显示,本文方法在6个数据集上的F测度值分别为0.696、0.876、0.797、0.868、0.772和0.785;最大F测度值分别为0.747、0.899、0.859、0.889、0.814和0.833;加权F测度值分别为0.656、0.854、0.772、0.844、0.732和0.762;MAE值分别为0.074、0.061、0.093、0.049、0.099和0.124。无论是前景和背景颜色相似的图像集,还是多物体的复杂图像集,本文方法的各项性能均接近最新研究成果,且优于大多数具有代表性的方法。结论本文方法对各种场景的图像显著性检测都具有较强的鲁棒性,同时可以使显著性物体的边界和内部区域更均匀,检测结果更准确。