基于深度学习的图像显著对象检测

摘要：

显著区域检测可应用在对象识别、图像分割、视频/图像压缩中,是计算机视觉领域的重要研究主题.然而,基于不同视觉显著特征的显著区域检测法常常不能准确地探测出显著对象且计算费时.近来,卷积神经网络模型在图像分析和处理领域取得了极大成功.为提高图像显著区域检测性能,本文提出了一种基于监督式生成对抗网络的图像显著性检测方法.它利用深度卷积神经网络构建监督式生成对抗网络,经生成器刚络与鉴别器网络的不断相互对抗训练,使卷积网络准确学习到图像显著区域的特征,进而使生成器输出精确的显著对象分布图.同时,本文将网络自身误差和生成器输出与真值图问的L1距离相结合,来定义监督式生成对抗网络的损失函数,提升了显著区域检测精度.在MSRA10K与ECSSD数据库上的实验结果表明,本文方法分别获得了94.19％与96.24％的准确率和93.99％与90.13％的召回率.F-Measure值也高达91.15％与94.76％,优于先前常用的显著性检测模型.

关键词：深度学习、显著性检测、生成对抗网络、损失函数

所属期刊栏目：30

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;国家自然科学基金;浙江省自然科学基金

在线出版日期：2019-05-22（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：95-103