利用卷积神经网络的显著性区域预测方法

摘要：

针对神经网络的显著性区域预测存在数据采集代价大、处理繁琐等问题, 提出2种卷积神经网络, 即从头开始训练的浅层卷积神经网络, 以及前三层源自另一个网络的深层卷积神经网络.其中, 浅层网络结构简单, 可避免过拟合问题;深层网络可以充分利用最底层的模型参数, 收敛更快, 效果更好.所提卷积神经网络应用于回归问题, 均没有直接训练特征图的线性模型, 而是在迁移层上训练了一堆新的卷积层.从端到端的角度解决显著性预测, 将学习过程演化为损失函数的最小化问题.测试和训练在SALICON, SUN和MIT300数据集上进行, 实验结果验证了所提方法的有效性.其中, 深层网络和浅层网络在SALICON和SUN数据上的结果相似, 深层网络在MIT300上的结果更优, 与其他方法相比, 所提方法具有不错的表现, 而且具有跨数据集的鲁棒性.

关键词：显著性区域预测、卷积神经网络、损失函数、显著度图、鲁棒性

所属期刊栏目：31

分类号：TP391(计算技术、计算机技术)

资助基金：江苏省自然科学基金BK20130156;无锡太湖学院校级基金16WUNS002

在线出版日期：2019-05-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：37-43