基于特征融合与边界修正显著性目标检测
显著性目标检测旨在寻找图像中的视觉显著区域.现有的显著性目标检测方法已经展现出强大的优势,但依然在尺度感知和边界预测方面具有局限性.首先,各类场景中的显著目标存在诸多尺度,使算法难以适应不同尺度变化.其次,显著目标往往具有复杂的轮廓,这使边界像素点的检测变得更为困难.针对以上问题,文中提出了基于特征融合与边界修正的显著性目标检测网络,该网络基于特征金字塔,提取了不同层次显著特征.首先针对目标的尺度多样性设计了由多尺度特征解码模块组成的特征融合解码器,通过逐层融合相邻层特征,提高了网络对目标尺度的感知能力.同时设计了边界修正模块学习显著目标的轮廓特征,以生成边界清晰的高质量显著图.在5个常用显著性目标检测数据集上进行实验,结果表明所提算法在平均绝对误差、F指标和S指标3项定量指标上均能取得较优的结果.
显著性目标检测、深度学习、卷积神经网络、特征融合、边界修正
50
TP391.4(计算技术、计算机技术)
2023-12-21(万方平台首次上网日期,不代表论文的发表时间)
共9页
166-174