基于卷积神经网络的海面显著性目标检测

摘要：

海面环境容易受到云雾等气象因素影响,采集到的海面图像对比度减小,噪声干扰较多,导致目标显著性提取时较难准确完整地获取显著性区域.针对以上问题,提出了一种基于改进的Deeplabv3网络的海面显著性目标检测方法.引用空洞卷积和全局注意力模块提取更多的特征信息.将不同空洞率特征矩阵进行并联,融合图像上下文特征信息.对二分类交叉熵损失函数添加约束项来对云雾遮挡的显著性特征进行约束.通过对大型数据集预训练及海面云雾遮挡数据集的训练后,保存其模型.实验结果表明:提出方法获取的受云雾遮挡干扰时显著性区域变化较小且能够较为完整地描述显著性目标.在遮挡程度为30、50、70情况下,该方法的F-measure值相比于其他几种对比算法平均提高了22.12％、15.83％、13.30％.

关键词：海面目标、卷积神经网络、显著性检测、深度学习、Deeplabv3、全局注意力

所属期刊栏目：57

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金61803257

在线出版日期：2021-03-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：108-116