基于全卷积神经网络与低秩稀疏分解的显著性检测

摘要：

为了准确检测复杂背景下的显著区域,提出一种全卷积神经网络与低秩稀疏分解相结合的显著性检测方法,将图像分解为代表背景的低秩矩阵和对应显著区域的稀疏噪声,结合利用全卷积神经网络学习得到的高层语义先验知识,检测图像中的显著区域.首先,对原图像进行超像素聚类,并提取每个超像素的颜色、纹理和边缘特征,据此构成特征矩阵;然后,在MSRA数据库中,基于梯度下降法学习得到特征变换矩阵,利用全卷积神经网络学习得到高层语义先验知识;接着,利用特征变换矩阵和高层语义先验知识矩阵对特征矩阵进行变换;最后,利用鲁棒主成分分析算法对变换后的矩阵进行低秩稀疏分解,并根据分解得到的稀疏噪声计算显著图.在公开数据集上进行实验验证,并与当前流行的方法进行对比,实验结果表明,本文方法能够准确地检测感兴趣区域,是一种有效的自然图像目标检测与分割的预处理方法.

关键词：显著性检测、全卷积神经网络、低秩稀疏分解、高层语义先验知识

所属期刊栏目：45

资助基金：国家自然科学基金61601325;中国纺织工业联合会应用基础研究项目J201509;天津自然科学基金15JCYBJC16600, 17JCQNJC01400 资助

在线出版日期：2019-12-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：2148-2158