基于多路径递归增强的显著性目标检测方法

摘要：

近年来,显著性目标检测在计算机视觉领域中得到了广泛的关注.随着深度学习技术的发展,越来越多先进的算法被提出.目前基于深度学习的显著性目标检测方法主要使用VGG、ResNet等经典骨干网络以及它们基于FCN结构进行的变形作为基础网络.这些方法通过在基础网络上增加复杂的结构学习特征,导致网络训练变得困难,对数据的依赖变强.针对上述问题,设计了基于多路径递归增强的显著性目标检测方法.该方法引入多路径递归连接对基础网络进行增强,将网络前一时刻深层学习的高水平信息通过递归的方式传递到网络当前时刻的浅层,使得网络的浅层也能获得语义信息,从而在不增加过多层和参数的情况下提升网络整体的学习能力.在多个公开数据集上的实验结果表明,该方法对各种基础网络有明显的增强作用(其中VGG-FCN结构增强后在DUT-OMRON数据集上F-measure值提升了近9.1％).最终结果达到了先进的显著性目标检测水平.

关键词：计算机视觉、深度学习、卷积神经网络、多路径递归增强、显著性目标检测

所属期刊栏目：40

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划2018YFC0308100,2018YFC0307902

在线出版日期：2021-07-28（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：1-7