基于深度学习的图像显著对象检测

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,经生成器网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间的 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MSRA 10K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94.15%与94.76%,优于先 前常用的显著性检测模型。     

基于深度学习算法的三维激光雷达主动成像目标检测

为了提升目标检测效果,设计基于深度学习算法的三维激光雷达主动成像目标检测方法。利用深度学习算法的生成对抗网络,剔除三维激光雷达主动成像过程中的杂波干扰,得到无杂波干扰的目标三维图像;设计生成模型与对抗模型的损失函数,利用端到端深度神经网络的点云编码层,在无杂波干扰的目标三维图像内,提取目标三维图像特征,并输入目标检测层内;通过目标检测层输出目标检测候选框,利用非极大值结合混合置信度,确定最终目标检测框,完成三维激光雷达主动成像目标检测。实验结果表明：该方法可有效剔除杂波干扰,得到无杂波干扰的目标三维图像;该方法可有效完成三维激光雷达主动成像目标检测,且在不同目标运动模糊长度像素时,该方法目标检测的交并比均高于阈值,说明该方法的目标检测精度较高。     

基于跨模态特征融合的RGB-D显著性目标检测

显著性目标检测(SOD)作为目前计算机视觉以及计算机图形学领域中研究的基本课题之一,是许多其他复杂任务的预处理阶段的任务,对例如图像理解与解释、视觉追踪、语义分割,视频分析等对象级应用的发展起到了极大的推动作用。随着深度传感器的普及,深度图像中蕴含的空间信息线索在显著性检测研究中提供了与RGB图像中蕴含的不同模态的辅助补充特征信息,这对于检测精度的提升来说愈发重要,因此如何有效地融合RGB与深度图像中的不同模态间的特征信息成为了RGB-D显著性目标检测课题中研究的重要问题。针对RGB与Depth模态间的特征融合问题,本文设计了一种基于跨模态特征信息融合的双流RGB-D显著目标检测网络模型,通过使用设计的跨模态特征融合模块去除某些低质量深度图带入的冗余与噪音,随后提取放大被优化改良过后的深度特征线索与RGB特征线索间的相似性与差异性,完成跨模态特征信息的有效融合。除此之外在网络编码结构的顶端增加了改良的非局部模块,通过自注意力机制更好地捕捉了的上下文信息以及像素间的长距离依赖。通过使用的两个数据集上的实验表明,这一模型在4个评价指标上取得了较好的表现。     

基于双鉴别器的红外与可见光图像融合算法

为确保源图像同时包含可见光图像的细节纹理信息和红外图像的红外亮度信息,提出了一种基于双鉴别器的红外与可见光图像融合方法.首先对红外图像进行显著性检测,获取到红外图像中显著的区域,然后对其取反,获取到可见光图像中的显著区域,最后设计两个鉴别器分别鉴别源图像与融合图像中显著区域的差异,通过对抗性学习,可以使融合图像包含更多...     

基于深度学习的显著性目标检测方法综述

显著性目标检测旨在对图像中最显著的对象进行检测和分割,是计算机视觉任务中重要的预处理步骤之一,且在信息检索、公共安全等领域均有广泛的应用.本文对近期基于深度学习的显著性目标检测模型进行了系统综述,从检测粒度的角度出发,综述了将深度学习引入显著性目标检测领域之后的研究成果.首先,从三个方面对显著性目标检测方法进行了论述:...     

基于深度对抗学习潜在表示分布的异常检测模型

针对已有的异常检测模型在高维、样本多样(类内多样)的数据背景下无法获得合理的潜在表示分布,不平衡数据较多(正常数据远大于异常数据)时特征提取准确性低,以及分类器超参数敏感等问题,本文提出一种基于深度对抗学习潜在表示分布的异常检测模型.基于正则化约束改进自编码器,将数据的原始特征空间映射到潜在特征空间形成低维的潜在表示,...     

基于边缘引导的光场图像显著性检测

针对光场图像显著性检测存在检测目标不完整、边缘模糊的问题,本文提出了一种基于边缘引导的光场图像显著性检测方法。利用边缘增强网络提取全聚焦图像的主体图和边缘增强图,结合主体图和焦堆栈图像所提取的特征获得初始显著图,以提高检测结果的准确性和完整性;将初始显著图和边缘增强图通过特征融合模块进一步学习边缘特性的信息,突出边缘细节信息;最后,使用边界混合损失函数优化以获得边界更为清晰的显著图。实验结果表明,本文所提出的网络在最新的光场图像数据集上,F-measure和MAE分别为0.88和0.046,表现均优于现有的RGB图像、RGB-D图像和光场图像显著性检测算法。所提方法能够更加精确地从复杂场景中检测出完整的显著对象,获得边缘清晰的显著图。     

对比度融合的视觉显著性检测算法

显著性检测是计算机视觉和图像处理领域的研究热点问题。根据人类心理学原理,在自底向上的方法中对视觉显著性影响最大的就是基于对比度度量的定义以及计算。本文根据人眼视觉注意系统的特性,提出一种基于对比度融合的视觉显著性检测框架,旨在融合当前广泛使用的对比度计算方法。具体而言,这些显著性算法包括中心-四周对比度、对角-四周对比度以及全局对比度。该融合框架能够继承不同对比度度量的优点,因此可以产生更加准确和鲁棒的显著性图。实验结果验证了本文方法的有效性,并证明了使用对比度融合的方法能够取得比单一对比度度量更好的视觉显著性检测效果。      

融合颜色特征和对比度特征的图像显著性检测

图像显著性检测能够获取一幅图像的视觉显著性区域,是计算机视觉的研究热点之一。提出一种结合颜色特征和对比度特征的图像显著性检测方法。首先构造图像在HSV空间的颜色函数以获取图像颜色特征;然后使用SLIC超像素分割算法对图像进行预处理,基于超像素块的对比度特征计算图像显著性;最后将融合颜色特征和对比度特征的显著图经过导向滤波优化形成最终的显著图。使用本文算法在公开数据集MSRA-1000上进行图像显著性检测,并与其他6种算法进行比较。实验结果表明本文算法结合了图像像素点和像素块的信息,检测的图像显著性区域轮廓更加完整,优于其他方法。     

面向显著性目标检测的SSD改进模型

传统显著性目标检测方法常假设只有单个显著性目标,其效果依赖显著性阈值的选取,并不符合实际应用需求。近来利用目标检测方法得到显著性目标检测框成为一种新的解决思路。SSD模型可同时精确检测多个不同尺度的目标对象,但小尺寸目标检测精度不佳。为此,该文引入去卷积模块与注意力残差模块,构建了面向多显著性目标检测的DAR-SSD模型。实验结果表明,DAR-SSD检测精度显著高于SOD模型;相比原始SSD模型,在小尺度和多显著性目标情形下性能提升明显;相比MDF和DCL等深度学习框架下的方法,也体现了复杂背景情形下的良好检测性能。     

一种平衡准确性以及高效性的显著性目标检测深度卷积网络模型

当前的显著性目标检测算法在准确性和高效性两方面不能实现良好的平衡,针对这一问题,该文提出了一种新的平衡准确性以及高效性的显著性目标检测深度卷积网络模型。首先,通过将传统的卷积替换为可分解卷积,大幅减少计算量,提高检测效率。其次,为了更好地利用不同尺度的特征,采用了稀疏跨层连接结构及多尺度融合结构来提高模型检测精度。广泛的评价表明,与现有方法相比,所提的算法在效率和精度上都取得了领先的性能。

     

视觉显著性检测：一种融合长期和短期特征的信息论算法

针对传统视觉显著性检测算法单纯使用当前观测图像的信息或是先验知识的不足,该文引入了长期特征和短期特征的概念,分别代表先验知识和当前观测图像的信息,并提出了一种基于信息论的算法将它们融合。首先,分别根据人眼跟踪数据和当前观测图像的内容来训练长期和短期稀疏词典并对图像进行稀疏编码,将得到的稀疏编码作为长期和短期特征。其次,针对现有算法只能在整幅图像上或是在一个固定大小的局部邻域内进行统计的缺陷,该文提出一种基于信息熵的特征概率分布估计方法,该方法可以根据当前观测图像的具体情况自适应地选择一个最佳的区域大小来计算长期和短期特征出现的概率。最后,利用香农自信息来输出图像的显著性检测结果。同8种流行算法在公开的人眼跟踪测试库上进行的主观和定量的实验对比证明了该文算法的有效性。     

基于“轮廓-区域”多层互补特性的显著性检测

针对显著性检测在混杂场景中目标容易混淆的问题,本文借助Gestalt心理学理论,利用轮廓线索与外观线索的互补特性,提出一种基于"轮廓-区域"多层互补特性的显著性检测方法.首先,在图像超像素分割基础上,分别提取基于颜色直方图的全局外观线索和基于区域近邻关系的局部对比度线索,充分描述了区域内容的显著性特征;其次,针对混杂场景的区域外观差异小而引起的目标混淆问题,提取基于边缘的目标轮廓封闭性,描述区域轮廓的显著性特征;最后,为了提高对目标尺寸的自适应能力,本文方法使用支持向量机优化多尺度模型中的"轮廓-区域"互补特性融合过程.在ASD,MSRA10K,SED2公认数据集上的实验表明,本文基于轮廓封闭特性的显著性特性,能够有效改善目标显著性查全率、查准率,优于现有的其他先进方法.     

概率框架下多特征显著性检测算法

显著性检测是计算机视觉的一项基础问题,广泛地用于注视点预测、目标检测、场景分类等视觉任务当中.为提升多特征条件下图像的显著性检测精度,以显著图的联合概率分布为基础,结合先验知识,设计一种概率框架下的多特征显著性检测算法.首先分析了单一特征显著性检测的潜在缺陷,继而推导出多特征下显著图的联合概率分布;然后根据显著图的稀有性,稀疏性,紧凑性与中心先验推导出显著图的先验分布,并使用正态分布假设简化了显著图的条件分布;随后根据显著图的联合概率分布得到其极大后验估计,并基于多阈值假设构建了分布参数的有监督学习模型.数据集实验表明：相比于精度最高的单一特征显著性检测方法,多特征算法在有监督和启发式方法下的平均误差降低了6.98%和6.81%,平均F-measure提高了1.19%和1.16%;单幅图像的多特征融合耗时仅为11.8ms.算法精度较高,实时性好,且可根据不同任务选择所需的特征类别与先验信息,能够满足多特征显著性检测的性能要求.     

联合Sobolev梯度的相场变分模型应用于图像显著性检测

基于变分框架和相变换理论,提出能量泛函应用于图像显著性检测,采用Sobolev梯度法最小化该能量泛函,由此导出基于时间的演化系统应用于计算机视觉选择,其检测过程是图像显著和非显著分量的竞争变化.比较传统的L₂梯度,Sobolev度量具有更好的正则性.论文阐述了演化系统的动态行为和视觉选择之一致性,这对探索新的显著性检测机制非常重要.实验显示,本文模型在较好压制图像背景的同时,获得较为精细的目标、纹理,绒毛等信息,这些信息对于视觉感知是非常重要的.     

结合深度迭代缩放卷积神经网络的PRNU提取算法

光响应非均匀性（photo-response non-uniformity,PRNU）是用于数字图像设备溯源的一种重要特征,也被称为成像设备指纹。针对图像真实噪声包含PRNU和大量未知噪声的复杂特性,本文提出一种结合深度迭代缩放卷积神经网络的PRNU数字成像设备指纹提取算法。首先,通过连续重复的缩小与放大特征图的分辨率来提高GPU内存利用效率和生成大的感受野,尽可能的提取包含完整PRNU指纹的真实噪声。然后,利用来自同一数字成像设备多幅图像的噪声残差来估计PRNU指纹。本文算法在相机溯源数据集Dresden和手机溯源数据集Daxing上进行了测试。实验结果显示,与传统方法相比本文算法具有的更好的识别率和普适性。      

Saliency Combined Particle Filtering for Aircraft Tracking

Multimedia event detection has become a popular research topic due to the explosive growth of video data. The motion features in a video are often used to detect events because an event may contain some specific actions or moving patterns. Raw motion features are extracted from the entire video first and then aggregated to form the final video representation. However, this video-based representation approach is ineffective when used for realistic videos because the video length can be very different and the clues for determining an event may happen in only a small segment of the entire video. In this paper, we propose using a segment-based approach for video representation. Basically, original videos are divided into segments for feature extraction and classification, while still keeping the evaluation at the video level. The experimental results on recent TRECVID Multimedia Event Detection datasets proved the effectiveness of our approach.