视觉选择性注意的认知神经机制与显著性计算模型

针对目前显著图计算复杂度高、分辨率低、对比度差等问题,受Stevens视觉认知模型和注意的神经控制回路的信息处理结构启发,提出一种基于选择性注意认知神经机制的视觉显著性计算模型和相关算法.该模型兼容了自上而下和自下而上两种视觉注意机制,可很好地模拟了人类的视觉注意系统.在显著性对象图像数据库进行的实验中,本模型在选择性注意的显著区提取精度、运行时间、噪声干扰抑制等方面都取得了令人满意的结果.

一种权值可发育的视觉选择性注意模型研究

针对Itti视觉选择性注意模型不具有子特征图显著图归一化过程中权值随任务改变而改变的问题,借鉴自主发育在视觉选择性注意学习的研究成果,提出一种权值可发育视觉选择性注意模型作为图像特征提取的学习机制。该算法采用三层自组织神经网络和Itti视觉选择性注意模型相结合的决策进行寻优,通过对模型的训练学习获取最优权值更新。这样既可以保证在初期特征提取内容的完整性,又降低了系统对不同任务条件的约束性,提高了模型特征提取能力。利用权值可发育视觉选择性注意模型对图像进行感兴趣区域特征提取实验,结果表明,该方法能够提高特征提取准确性、减少运算时间,获得了良好的动态性能。

基于小波的具有选择性注意力机制的初级视觉模型

提出了一种新的初级视觉模型，在此模型中，提出了一个基于小波时频特性的非均匀采样方案，以非规整信息表示图象信号，并形成多分辨率处理通道，通过引入一个反馈通道来模拟人眼的“眼动”，形成反馈闭环控制，最终我们试图通过此系统实现具有选择性注意力机制的初级视觉模型。

基于Itti视觉注意模型的三维人脸特征检测方法的研究

将计算机视觉与人类视觉的视觉注意计算模型结合,在对三维人脸特征提取和Itti视觉注意模型进行研究的基础上,提出了一种将Itti视觉注意模型用于三维人脸特征区域检测和特征提取的方法。实验结果表明,该模型能够准确定位三维人脸的特征区域,同时对不同表情的人脸模型具有鲁棒性。

融合深度信息的视觉注意计算模型

针对Itti模型在特征选择上的局限性,借鉴心理学中有关视觉注意的研究成果,提出一种融合深度信息的视觉注意计算模型。该模型在基于图像分割的自适应立体匹配基础上提取深度特征,与亮度、方向、颜色特征相结合,实现空间显著性度量,并采用侧抑机制和WTA机制得到注意焦点。实验结果表明,新模型能较好地反映空间立体视觉信息对注意的影响,使计算结果能更符合人类视觉。

一种基于边缘检测的视觉注意计算模型

鉴于Itti视觉注意机制计算模型对显著性区域检测方面的不足,提出一种改进型的基于边缘检测的视觉注意计算模型。该模型在Itti模型基础上,引入边缘信息,能够改善视觉注意计算模型中的显著区域提取效果,且可以更加准确地分割显性区域。实验表明,该方式较传统视觉模型在计算速度上有所提高,且目标物轮廓识别效果更好。

基于改进视觉注意模型的显著区域区检测

文中在专家学者提出的视觉注意模型的基础上,提出一种新的视觉注意模型改进算法。首先,采用改进后的Itti模型来计算图像视觉显著性,从底层特征,包括亮度、方向、颜色,然后建立小波金字塔,利用中央周围算子作差运算,得到颜色、亮度和方向每个特征的关注图,然后通过归一化算子,融合成Itti模型下的显著图;接着,借鉴了MA和Zhang等提出的显著图模型算法的一些方法,从全局的角度计算显著图;最后将以上得到的显著图进行归一化融合。

一种基于视觉注意机制的刀具检测方法

为了解决视觉引导的机器人加工系统中对目标进行快速、准确检测的问题,将人类视觉选择性注意机制引入机器视觉系统,提出了一种基于轮廓的视觉选择性注意计算模型(SECO模型)。该模型通过分离目标、提取边缘、感知轮廓、轮廓显著度竞争、注意焦点选择及转移等策略,实现对目标的检测。实验结果表明,该模型能够实现在复杂场景下对目标进行快速准确的检测,且具有很强的抗干扰能力和较高的计算效率,便于在机器视觉系统中直接应用。

基于视觉注意机制的图像分类方法

针对Itti视觉模型在模拟人类视觉的过程中没有考虑到人眼视觉系统对外界事物边缘和轮廓的注意敏感性的问题,提出一种改进的基于视觉注意机制的图像分类方法,即基于Itti模型,同时引入图像的边缘特征对图像进行分类.经实验验证,与传统的Itti模型相比,该方法具有更高的分类准确率,分类准确率达到97%以上.

深度图注意力CNN的三维模型识别

针对现有基于深度学习的三维模型识别方法缺乏结合三维模型的上下文细粒度局部特征,可能造成几何形状极其相似,局部细节信息略有不同的类识别混淆的问题,提出一种基于深度图注意力卷积神经网络的三维模型识别方法。首先,通过引入邻域选择机制挖掘三维模型的细粒度局部特征。其次,通过空间上下文编码机制捕捉多尺度空间上下文信息,且与细粒度局部特征相互补偿以增强特征的完备性。最后,采用一种多头部机制,使图注意力卷积层聚合多个单头部的特征以增强特征的丰富性。此外,设计选择性丢弃算法,根据度量权重值对神经元重要性进行排序,智能地丢弃重要性较低的神经元来防止网络过拟合。算法在ModelNet40数据集上的三维模型识别准确率达到了92.6%,且网络复杂度较低,在三维模型识别准确率和网络复杂度之间达到最佳平衡,优于当前主流方法。

基于改进视觉注意机制的跑道异物检测算法

机场跑道异物是影响航空器安全的重要因素。将人类视觉注意机制引入到基于视频跑道异物检测中,在传统Itti模型基础上,进一步提取纹理、边缘特征,依据显著图能量对各个特征进行加权求和,获得最终的视觉显著图。实验结果表明,方法合成的显著图克服了传统Itti模型的不足,对跑道异物的检测效果明显提高。

视觉选择性注意的模型化计算及其应用前景

视觉选择性注意(Visual Selective Attention,VSA)的模型化计算是当今认知信息处理领域的热点前沿研究方向,在计算机智能视觉感知领域有着广阔的应用前景。对近年来视觉选择性注意研究领域的成果进行了回顾,着重对中央区自下而上兴趣圈的产生、视觉任务和物体知识的表达、自上而下与自下而上的双向信息流的汇合以及显性注意分支中凝视点的转移控制等问题中具有较高影响力的模型化计算方法的效能和特点进行了分析与探讨,对相关争论进行了归结和评述。进而通过VSA模型化计算在工程应用领域特别是视频压缩、目标检测、广告设计等方面的成功应用范例展示了其工程应用价值,最后对其应用前景进行了展望。

视觉选择性注意模型化计算中的特征整合权值估计与图像显著性区域提取

针对视觉选择性注意模型化计算过程中不同特征在整合阶段的权值判定,提出一种基于特征图分布的权值估计方法,并在静态图像显著性区域提取中取得了令人满意的应用效果.首先提取原始图像的颜色、方向和强度特征图像,然后计算各个特征图的广义高斯分布参数与方差,进而给出一种特征图权值估计算法,最后通过对特征图的加权整合与归一化实现对原始图像的显著性区域提取.实验结果表明,通过此方法计算的权值对特征进行加权调制所提取的显著性区域的效果更加符合人眼的观测结果.

基于改进ITTI模型的SAR图像目标检测

合成孔径雷达作为主动式雷达,具有全天时、全天候、高分辨、可侧视成像等优点,在军事和民用领域得到了广泛的应用。本文将视觉注意机制引入SAR图像目标检测中,针对SAR图像特征,改进传统视觉注意计算模型,并研究了基于视觉显著性的SAR图像目标检测方法。归纳总结了现有的视觉注意计算模型,深入研究了传统ITTI模型中基于这种自底向上的视觉注意模型对不同的SAR图像进行目标检测实验;针对SAR图像具有丰富纹理信息的特点,将纹理特征引入视觉注意模型的初级视觉特征提取阶段,提出了一种合理分配纹理特征与强度特征权重的改进方法,并采用该方法对SAR图像进行了目标检测。实验表明,本文的方法能避免ITTI模型存在的漏检现象,并一定程度上提高了检测区域的完整性。

基于视觉注意力模型的背景斑点提取方法

针对传统人工选取背景斑点的不足,提出了一种基于视觉注意力模型的背景斑点提取方法。首先根据Itti显著图模型确定背景图中的显著区域;然后找出若干注意视点,并将这些视点作为种子点在原图上进行区域生长;最后在区域生长的基础上依据相关准则提取出斑点。实验结果表明,该方法可以准确地找到背景图中的明显斑点,使进一步的背景斑点分析成为可能。

基于边缘检测的显著区域提取方法

多年以来,众多专家学者建立了诸多模型来模拟人的视觉选择性注意机制,其中最具影响力的当属Itti模型,但其存在着显著区域漏检测及显著区域范围是固定形状的问题。文章基于人眼对物体的轮廓形状信息的感知能力,提出了一种改进型的显著区域提取方法,在原Itti模型基础上加入轮廓特征。本方法与原Itti模型相比较,能够改善其显著性区域的提取效果并且能够较准确的实现显著区域的分割。