一种基于物体的视觉注意计算模型

为解决基于空间的视觉注意计算模型存在的注意目标不完整、容易转移到无意义区域等问题,提出一种结合空间显著性的基于物体的视觉注意计算模型。检测图像的边缘信息,根据空间视觉显著性度量结果,提取显著值高的封闭边缘,得到感知物体的轮廓。根据各感知物体的大小、位置和显著程度计算其注意度。注意焦点按照注意度递减的顺序在各感知物体之间进行转移。在多幅自然图像上进行实验验证,实验结果表明该模型具有和人类视觉特性相符合的注意效果。     

多目标场景下的显著物体提取

已有获取显著区域的方法存在不能适应实际物体的大小、包含冗余信息及应用范围有限的问题。为此,提出一种多目标场景下的显著物体提取方法。对基于空间的计算模型得到的显著图进行聚类,将多目标场景划分为多个单目标的子场景,在子场景集合中,引入注意转移机制,并使用基于物体的计算模型依次提取显著物体。实验结果表明,该方法能提取图像中的多个显著目标。     

基于注意覆盖的感兴趣区域增强策略

提出一种基于注意覆盖的感兴趣区域增强策略。将感知表面作为注意选择的基本单元,将自顶向下的注意信号引入表面填充机制,利用非线性扩散机制在感知表面形成一种形状拟合分布,使得被注意的感知物体活性得到增强。仿真结果表明,该策略可以有效地增强感兴趣区域,具有神经生理和心理学合理性,输出结果可用于区域分割、目标识别和场景分析。     

基于视觉注意机制的显著物体轮廓感知

针对机器视觉中物体轮廓检测问题,提出了一种基于注意机制的轮廓感知模型.首先根据视觉注意机制得到显著物体的注意焦点;随后利用格式塔知觉组织规则,将从原始图中提取的重要轮廓边缘进行轮廓组织;最后根据注意焦点进行轮廓距离感知,得到人类视觉真正感兴趣和注意到的物体轮廓.结果表明了该算法的有效性和生物学上的合理性.     

基于视觉注意机制的交通标志检测

根据人类视觉感知理论,将自底向上和自顶向下的注意机制相结合,融入到交通标志检测中,提出一种基于视觉注意机制的交通标志检测方法。根据2种注意模型提取颜色、形状、亮度等多种特征,生成显著图,利用WTA网络找到感兴趣区域,即交通标志区域。实验结果表明,该方法能在复杂背景图像中准确定位交通标志。     

基于视觉注意机制的图像压缩感知复原

对于低采样、低质航运图像的复原问题,提出了一种新的图像压缩感知复原算法。首先对图像进行预处理,然后由人眼视觉注意机制模型确定注意点位置,并采用自适应遗传算法对注意点像素值进行寻优,最后复原获得复原图像。实验结果表明,所提出的基于视觉注意机制的图像压缩感知复原算法不仅提高了图像的复原质量,同时很好地保存了图像的细节信息。     

基于视觉注意机制与局部描述子的物体检测

为实现复杂图像场景下的物体检测,提出整合视觉注意机制与局部描述子技术的检测模型.通过计算探测场景的显著图及提取其SIFT局部描述子特征,采用层次化的匹配策略对任务物体与探测场景进行关键点匹配以实现物体检测.该策略能将匹配范围界定于场景中富含物体区分性信息的显著区域,并且匹配的门限也可由这些区域的显著性自适应地调节.定性及定量的对比实验验证了该模型的性能.     

基于视觉注意的显著物体检测实验设计

针对传统图像处理课程中目标检测理论抽象并且缺乏实践应用的缺点,设计了基于视觉注意的显著物体检测实验,通过实验操作增强学生对物体检测理论的理解以及激发学生进一步学习的兴趣。该实验方案可以检测不同内容、主题与背景环境的自然图像,具有较强的鲁棒性和较好的可操作性。     

一种基于视觉感知的非线性幅型比变换方法

随着高清电视的出现,幅型比变换的应用范围越来越广泛。本文提出了一种基于人的视觉感知特性的非线性幅型比变换方法。该方法利用运动估计技术获得视频帧的运动矢量,采用基于修正划分模糊度的模糊聚类算法对运动矢量进行聚类并估算每一帧的运动重心(MCOG)。同时针对幅型比变换后由视频序列前后帧不连续引起的视觉上的抖动现象,采用基于运动重心和中心区域的非均匀区域划分法,并针对不同的区域进行非线性比率扩展。实验结果表明,该方法很好地反映了人的视觉对视频的感知情况,变换后的视觉效果明显优于传统的幅型比变换方法。     

一种基于显著区域的图像分割方法

提出了一种基于显著区域的图像分割方法.该方法首先根据自底向上的人类视觉注意模型计算出图像的综合显著图.以便反映出图像中各区域的重要程度;然后在此基础上,设计了两种分割算法,分别是基于1-D直方图最大熵法的区域分割和基于注意焦点的区域增长,其中注意焦点从显著图中得到;并结合显著图和分割图,以区域的平均显著度为依据提取显著...     

基于视觉选择性注意机制的目标检测的研究

视觉选择性注意模型的应用是当今认知信息处理领域的研究热点。根据人类视觉感知理论,在介绍具有代表性的视觉注意模型（Itti模型）的基础上,在特征提取的初级阶段引入新的低层视觉特征,形成一种新的引导注意的显著图,从而实现较为准确的目标检测。结果证明该方法在一定程度上避免了漏检测现象的发生,使得注意区域更能接近生物视觉系统的实际。     

引入视觉注意机制的目标跟踪方法综述

视觉跟踪在无人飞行器、移动机器人、智能监控等领域有着广泛的应用,但由于目标外观和环境的变化,以及背景干扰等因素的存在,使得复杂场景下的鲁棒实时的目标跟踪成为一项极具挑战性的任务. 视觉注意是人类视觉信息处理过程中的一项重要的心理调节机制,在视觉注意的引导下,人类能够从众多的视觉信息中快速地选择那些最重要、最有用、与当前行为最相关的感兴趣的视觉信息,特别地,人类能够快速指向感兴趣的目标,从而可以轻松地实现对目标的稳定跟踪.因此,将视觉注意机制引入到复杂场景下的目标跟踪中,有利于实现更为稳定和接近于人类认知机制的视觉跟踪算法.本文旨在对引入了视觉注意机制的目标跟踪方法进行综述. 首先,介绍了视觉注意的基本概念及其代表性的计算模型;其次,对视觉注意与跟踪的内在关系进行了阐述;然后,对引入视觉注意机制的目标跟踪方法进行归纳、总结和分类,对代表性的方法进行介绍和分析;最后,对该类方法的特点和优势进行了讨论,并对未来的研究趋势进行了展望.     

一种基于注意力机制的三维点云物体识别方法

三维点云数据通常具备无序排列的结构。在三维点云数据处理领域,深度学习模型通常会利用最大池化等对称操作来处理点云的排列不变性。最大池化方法一方面会破坏点云的信息结构,使得局部信息与全局信息难以交互。另一方面,最大池化方法对点云信息过度压缩,得到的特征对局部细节描述不足。针对上述问题,提出了AttentionPointNet的网络结构。该网络利用注意力机制,使每个点与点云其余部分进行特征交互,实现了局部与全局信息的综合。为降低最大池化造成的信息损失,提出了一种稀疏卷积方法来替代池化操作。这种方法利用大步长的稀疏卷积实现全局信息的提取。在ModelNet40数据集上,AttentionPointNet取得了87.2%的准确率。不使用池化层,完全采用卷积层实现的模型取得了86.2%的分类准确率。     

基于场景对象注意与深度图融合的深度估计

现有单目深度估计算法主要从单幅图像中获取立体信息,存在相邻深度边缘细节模糊、明显的对象缺失问题。提出一种基于场景对象注意机制与加权深度图融合的单目深度估计算法。通过特征矩阵相乘的方式计算特征图任意两个位置之间的相似特征向量,以快速捕获长距离依赖关系,增强用于估计相似深度区域的上下文信息,从而解决自然场景中对象深度信息不完整的问题。基于多尺度特征图融合的优点,设计加权深度图融合模块,为具有不同深度信息的多视觉粒度的深度图赋予不同的权值并进行融合,融合后的深度图包含深度信息和丰富的场景对象信息,有效地解决细节模糊问题。在KITTI数据集上的实验结果表明,该算法对目标图像预估时σ<1.25的准确率为0.879,绝对相对误差、平方相对误差和对数均方根误差分别为0.110、0.765和0.185,预测得到的深度图具有更加完整的场景对象轮廓和精确的深度信息。     

判别相关分析双注意力机制的目标检测算法

针对两阶段目标检测算法中模型存在目标识别率低、部分小目标物漏检等问题,提出了一种基于判别相关分析的双注意力机制的目标检测算法。该算法通过改进Faster R-CNN主干网络,引入判别相关分析技术最大化两个特征集中对应特征的相关关系,同时最大化不同类之间的差异,来保证信息间的交互,有效缓解常规特征融合方式存在的特征提取能力不足问题。同时,结合残差结构构建残差双注意力机制,进行深层次的特征提取,来弥补深度CNN后高分辨率信息弱化问题,采用混合卷积层的设计在扩大感受野的同时又减少了信息损失,最大限度地保证了网络的特征提取性能。采用PASCAL VOC2007、KITTI以及Portrait三类数据集对网络进行训练,并将提出的算法模型与多个经典目标检测算法进行对比。实验结果表明,提出的算法具有较高的检测精度。     

结合注意力机制的深度学习图像目标检测

利用卷积神经网络进行目标检测时，提取的卷积特征具有很强的平移不变性，这将削弱模型的定位性能。事实上，目标对象通常具有不同的子区域特征和宽高比特性，但在目前流行的两阶段目标检测框架中，很少考虑这些具有平移尺度敏感性的特征成分。为了优化模型的特征表达，将在两阶段目标检测框架中引入与子区域特征和宽高比特性相关的注意力特征库，并生成注意力特征图对原始的ROI池化特征进行优化。另外，在注意力特征图的辅助下，模型特征维度可以有效地进行缩减。实验结果表明，引入注意力模块后，模型的检测精度和检测速度有明显提升。     

基于自顶向下视觉注意的遥感影像目标检测

针对遥感影像数据量大、背景复杂、目标自身信息不足等问题,提出一种基于自顶向下视觉注意的遥感影像目标检测方法。根据目标外观线索优先选择与其特征相符的图像区域,以提高目标检测的效率,依据上下文线索将搜索集中在最可能出现目标的环境区域,以保证目标检测的可靠性。实验结果证明,该方法能提高目标检测的效率和正确率。     

基于级联注意力与点监督机制的考场目标检测模型

智慧考场是智慧校园的重要组成部分,准确、快速地检测考场中的学生状态,是智慧考场应用的基本任务和关键环节.标准化考场中的考生分布相对密集且成像尺寸差异较大,而现有目标检测算法未充分考虑真实考场的环境特征,很难精确、实时地检测出考生目标,加之大部分目标检测算法需对不同目标手工设计先验锚框,模型部署范围受限.针对以上问题,提出一种高效的无锚框全卷积目标检测模型.该模型采用全卷积网络对输入图像进行逐像素预测,在可能存在目标的区域回归其包围框.在该模型中,设计了基于级联注意力的特征增强模块,通过逐级细化修正特征增强特征图的判别性,有效地提高考生目标识别精度;另一方面,针对真实考场中大量交叠目标检测问题,提出了点监督机制,以进一步提升交叠多目标的识别效果;最后,在构建的标准化考场检测专用数据集上,对所提模型进行验证.实验结果表明,与当前最先进的目标检测模型相比,针对真实复杂的考场环境特征提出的基于级联注意力和点监督机制的全卷积目标检测模型的m AP指标为92.9%,检测速度为22.1 f/s,泛化能力突出,综合效果最优.     

基于注意力及生成对抗网络的遥感影像目标检测

针对传统目标检测算法在环境多变、背景复杂、目标聚集、小目标过多的航空遥感影像目标检测上效果不理想的问题, 本文提出了一种基于注意力机制及生成对抗网络的遥感影像目标检测模型Attention-GAN-Mask R-CNN. 该模型将注意力、生成对抗网络和Mask R-CNN结合起来, 用以解决遥感影像目标检测中存在的问题. 实验结果表明, 在复杂的遥感影像数据集中, 该方法提升了目标检测的效率和准确率.