基于双向消息链路卷积网络的显著性物体检测
有效特征的提取和高效使用是显著性物体检测中极具挑战的任务之一.普通卷积神经网络很难兼顾提取有效特征和高效使用这些特征.本文提出双向消息链路卷积网络(bidirectional message link convolution net-work,BML-CNN)模型,提取和融合有效特征信息用于显著性物体检测.首先,利用注意力机制引导特征提取模块提取实体有效特征,并以渐进方式选择整合多层次之间的上下文信息.然后使用带有跳过连接结构的网络与带门控函数的消息传递链路组成的双向信息链路,将高层语义信息与浅层轮廓信息相融合.最后,使用多尺度融合策略,编码多层有效卷积特征,以生成最终显著图.实验表明,BML-CNN在不同指标下均获得最好的表现.
显著性物体检测、卷积神经网络、注意力机制、双向消息链路、多尺度融合
14
TP391.4(计算技术、计算机技术)
国家自然科学基金项目;上海海事大学研究生创新基金项目
2020-03-10(万方平台首次上网日期,不代表论文的发表时间)
共11页
1152-1162