基于注意力机制的显著性目标检测方法
针对目前主流的基于全卷积神经网络的显著性目标检测方法,受限于卷积层感受野大小,低层特征缺少全局性的信息,而高层特征由于多次池化操作分辨率较低,无法准确地预测目标边缘等细节的问题,本文提出了基于注意力的显著性目标检测方法.在ResNet-50网络中加入注意力精炼模块,利用训练样本的显著真值图对空间注意力进行有监督的学习,使得不同像素位置的相关性更准确.通过深度融合多尺度的特征,用低层特征优化高层特征,精修网络的预测结果使其更加准确.在DUT-OMRON和ECSSD数据集上的测试结果显示,本文方法能显著提升检测效果,F-measure和平均绝对误差都优于其他同类方法.
显著性目标检测、深度学习、全卷积神经网络、视觉注意力、多尺度特征、图像处理、人工智能、计算机视觉
15
TP391(计算技术、计算机技术)
国家自然科学基金项目;中国科学院STS计划项目;北京市科技计划项目;中国科学院国防科技创新基金项目;中国科学院战略性先导科技专项A类
2021-01-26(万方平台首次上网日期,不代表论文的发表时间)
共8页
956-963