视觉注意机制的运动方向异常检测方法

针对传统运动方向异常检测方法需要人工参与、智能化较低等缺点,提出了一种新的基于视觉注意机制的运动方向异常检测方法。该方法通过合成源图像的空间导数图与时间导数图获得运动边缘,求取沿空间各方位分布的运动方向特征图。在此基础上,利用所提出的基于运动区域面积的归一化方法对得到的每一幅特征图按照显著性高低分别赋予不同的权重,完成不同运动方向特征的相互竞争。最后融合经过归一化处理的特征图以得到最终的运动显著图。该显著图中运动方向具有显著性的物体得到有效突出,达到了存在多个运动物体的情况时,运动方向上具有显著性的物体能够更加有效、智能地检测出来的目的。     

基于视觉注意机制的人脸区域预检测

为了快速搜索图像中的人脸区域,依据人类视觉系统的特点,引入Itti模型,提出了一种基于肤色特征和方向特征的人脸区域预检测注意力模型,并应用于复杂背景下彩色图像的人脸区域预检测.首先把图像从RGB空间转换到HSI空间,利用肤色在色度空间的聚散性,采用Gaussian金字塔和center-surround算子获取肤色和方向特征的多尺度视觉差异,通过这2个不同特征图的规格化和线性融合获得综合的显著图,由显著图地址转换成图像坐标找出原图中的人脸区域.实验结果表明,该方法能有效检测出人脸区域,且检测速度快,为后续的处理和分析提供了良好的基础.     

基于机器视觉的人运动检测

以机器视觉技术研究了序列图像中人运动的分割和检测.运动检测过程采用了目标图像和背景图像相减的方法,对差分图像采用了最大熵的指数形式确定二值化的阈值,实验证明获得了良好的检测效果.     

浅析基于空间信息的视觉注意模型

近几年,基于频谱变化的视觉显著性检测模型逐渐成为研究热点,大多数频域视觉注意模型的主要思想通常是利用离散傅里叶变换或离散余弦变换等方法把图像从空间域变换到频谱域,然后通过对频域内的相位谱、幅度谱等信息进行分析和处理,提取显著信息,最后再通过逆变换到空间域并进行后续处理得到最终的显著图。     

基于视觉注意模型和进化规划的感兴趣区检测方法

根据生物注意机制,该文提出了一种基于视觉注意模型和进化规划的感兴趣区检测方法。采用进化规划方法分割图像候选区域;区域兴趣度由视觉注意模型产生的局部显著和进化规划计算的全局显著共同度量。在视觉注意模型中,图像经过小波多尺度变换和计算中央周边差得到局部显著度。注意焦点在显著度增强因子的作用下,选取候选区域得到感兴趣区。实验结果表明,所提方法检测的感兴趣区更接近人眼的视觉注意机制,并取得了较为满意的对象检测和兴趣度量结果。     

基于仿生视觉的海面船只检测方法

对地观测系统可以快速检测大面积区域,为世界各沿海国家的船只监测任务带来了极大便利。针对遥感影像中的船只自动化检测问题,利用船只相对于海面呈现明显的视觉显著特性,提出了一种基于船只与海面反差特性的船只检测方法,将对船只的检测定位转变为对场景中显著目标的发现与分割问题。方法以视网膜到初级视觉皮层V1这一视觉通路的生理过程为指导,模拟了其中视觉信号的产生机制以获得场景的显著图。以光学影像为例进行的实验结果显示,在没有目标先验知识的前提下,基于反差特性的方法能有效地将视觉注意力集中于海面船只目标,取得了较好的检测结果。     

基于注意模型的视觉替代方法

现有的视觉替代方法均是在特定环境中,通过目标识别获得映射特征,缺少普遍的适用性.针对这一问题,提出了一种基于注意模型的视觉替代方法.利用人眼的视觉特性,提取图像的感兴趣区域,并根据听觉显示的基本原理,提出了将感兴趣区域的位置、尺寸和颜色映射为音符响度、音长和音调的PSC映射方法.实验结果表明:将图像中引起视觉注意的区域映射为电子音符,符合人类视觉认知过程,有利于盲人获得外部环境的重要信息,降低了盲人训练和学习的难度,并且听感良好,不会造成听觉疲劳.     

基于视觉注意的遥感图像分析方法

该文根据人类视觉系统的生理结构与认知特点,提出了一个基于自底向上视觉注意的遥感图像分析模型,并在此基础上开发出了一种新的遥感图像分析方法。该方法在一定程度上具备了类似于人类视觉系统的选择性加工能力。将其应用于多种类型的真实遥感图像,获得了较为满意的实验结果。     

一种基于全景视觉的运动目标检测改进方法

对视觉领域中全景视觉的不断研究表明,采用鱼眼镜头获取的图像序列所研究的运动目标检测准确率低,受到噪声干扰时鲁棒性不高,针对该问题提出一种基于全景视觉的运动目标检测改进方法。该方法首先采用五帧差分法对图像进行处理,利用相邻5帧之间进行差分来完成前景与背景的分离,有效地减少目标空洞问题;然后在混合高斯模型中提高自适应学习率和更新高斯分布数量,有效克服了检测中出现的重影现象;最后通过形态学处理,得到目标检测结果。实验结果表明,改进的方法提供了比传统的全景图像运动目标检测更可靠的检测结果,目标检测率较高。     

基于均值漂移的视觉运动目标跟踪方法

视觉运动目标跟踪在军事与民用领域都有广阔的应用前景,由于实际环境的复杂性与运动目标的易变性,视觉运动目标跟踪具有很大的挑战。采用基于颜色分布的核函数直方图,实现了基于均值漂移的跟踪算法,仿真实验表明了这种方法的有效性。     

基于一种视觉注意力机制的图像描述方法

为了提高由图像生成文字描述的准确率,文中提出了一种基于传统的编码解码框架,分别在编码端和解码端融入视觉注意力机制的方法,即在编码端加入空间注意力机制和图像通道级注意力机制相结合的方法。在解码端运用自适应视觉注意力机制的方法,即在传统的解码端上加入一个额外的“视觉哨兵”模块。文中提出的方法在生成文字描述的过程中自动决定是依赖图像特征还是依赖语义特征,并传递给相应的注意力机制。实验证明,相比较单一的视觉注意力机制,文中方法取得了较高的图像描述语句的正确率,具有更好的图像描述性能。     

基于多任务学习和注意力机制的双分支深度换脸检测方法

深度换脸技术的出现严重威胁了公众的隐私安全。为了解决现有深度换脸检测方法的局限性,基于多任务学习策略提出了一种双分支检测网络,实现在检测视频伪造的同时逐帧检测。该网络引入了注意力机制和时序学习模块,通过学习局部空间信息和时序信息提升检测性能。该方法在公开数据集Celeb-DF和FaceForensics++上获得了比当前先进换脸检测方法更高的准确率和ROC(Receiver Operating Characteristic)曲线下面积（Area under ROC Curve,AUC）,面对不同光照、人脸朝向、视频质量时表现出了良好的鲁棒性。     

基于注意力机制的车牌快速检测方法研究

针对光照、车辆密集和低分辨率等复杂场景下车牌定位困难、检测速度慢和准确率低等问题,提出了一种基于注意力机制的车牌快速检测方法.首先,综合车牌的特征,设计了轻量级网络单元LeanNet,并使用该单元构建一种计算量低且精准的骨干网络.其次,设计了MLA(muti-scale light attention)模块,用于引导网...     

基于注意力机制的电磁时间序列异常检测方法

实现电磁数据的异常检测和模式发现,对电磁目标异常行为的判断与提前预警具有重要价值.不同类型的电磁数据通常以时间序列的形式存在,且具有正常数据与异常数据不均衡等特点.为应对上述挑战,提出一种基于时空联合注意力机制的时间序列异常检测方法.基于电磁数据的时间与空间特征,结合通道与空间注意力机制,增强对时序数据异常部分的特征表...     

基于注意力机制的多方向文本检测

针对多方向排列的文本因其尺度变化大、复杂背景干扰而导致检测效果仍不甚理想的问题,本文提出了一种基于注意力机制的多方向文本检测方法。首先,考虑到自然场景下干扰信息多,构建文本特征提取网络(text feature information ResNet50,TF-ResNet),对图像中的文本特征信息进行提取;其次,在特征融合模型中加入文本注意模块(text attention module, TAM),抑制无关信息的同时突出显示文本信息,以增强文本特征之间的潜在联系;最后,采用渐进扩展模块,逐步融合扩展前部分得到的多个不同尺度的分割结果,以获得精确检测结果。本文方法在数据集CTW1500、ICDAR2015上进行实验验证和分析,其F值分别达到80.4%和83.0%,比次优方法分别提升了2.0%和2.4%,表明该方法在多方向文本检测上与其他方法相比具备一定的竞争力。     

融合注意力机制的轻量级摔倒检测

摔倒检测大都依靠传感器设备,此类方法受设备自身和环境因素影响较大,常常无法发挥该有的作用,同时,基于视觉的方法往往实时性较差,鲁棒性不强。针对上述问题,本文提出了一种鲁棒性强、能有效部署在嵌入式设备上的轻量化摔倒检测算法。以YOLOv5为基准模型,首先,融合轻量级注意力机制模块,使网络更关注要识别的目标区域,增强网络的识别精度。其次,使用模型压缩方法对模型进行剪枝,减小模型体积和计算量,使模型轻量化,以提高推理速度和便于部署在嵌入式设备中。最后,对剪枝后的模型进行知识蒸馏,在不提升模型复杂度的前提下提升模型的检测精度。实验结果表明：本文模型相较于基准模型,mAP增加了1.7%,召回率提高了1.2%,模型体积减小了79.1%,浮点运算量降低了70.9%。将本文模型部署在嵌入式设备Jetson Nano上,检测速率达到13.2 frame/s,基本满足实时性摔倒检测的要求。     

IR saliency detection via a GCF-SB visual attention framework

Infrared (IR) saliency detection with high detection accuracy is a challenging task due to the complex background and low contrast of IR images. In this paper, an IR saliency detection method via a new visual attention framework is proposed, which comprises two phases. In the first phase, a Gray & Contrast Features (GCF) model is established, in which the IR image is processed in two feature channels, a gray feature channel and a contrast feature channel. And then a primary feature map can be obtained by fusing the gray and contrast features from these two channels, which is the basis of the second phase. In the second phase, a Similarity-based Bayes (SB) model is established, in which two prior probabilities and two likelihood functions are calculated according to the previously obtained primary feature map. Finally, the saliency map is calculated with the obtained prior probabilities and likelihood functions by Bayes formula. Experimental results indicate that the proposed method can effectively reduce noise and enhance contrast of IR images with complex background and low contrast, and obtain a higher detection accuracy and robustness than seven state-of-the-art methods.     

人类视觉注意机制在目标检测中的应用

根据人类视觉感知理论,在介绍了两种比较有代表性的视觉注意模型的基础上,采用bottom—up控制策略的预注意机制和top—down控制策略的注意机制,提出了一种适用于自动目标识别的目标检测算法。从输入图像出发,采用Gabor算子建立多尺度、多方位的多通道图像,通过全波整流和各通道间的对比度增益控制,得到多尺度、多方位的方位特征图,这些特征图的线性组合则为显著性图。给出了仅采用bottom—up控制策略的船舶目标检测实验结果,待检测目标在显著性图中得到明显增强,有利于检测的实现。     

A deep attention mechanism method for maritime salient ship detection in complex sea background

Saliency ship detection has received increasing attention due to its important applications in maritime field in recent years. Up to now, numerous studies on saliency detection have been done based on traditional methods and deep learning methods. But these previous research works are still not competent enough in detecting ship targets with complex backgrounds and noises. In this letter, we propose a deep attention mechanism method for more accurate and faster maritime salient ship detection. We optimize the initial ship saliency map by using a feature attention module to focus on salient objects. We reduce and improve the convolution kernel in refinement residual module to enhance the detection efficiency. In addition, Leaky ReLU is selected as the activation function to increase the non-linear capability of the method. Experiment results show that, the proposed method could obtain outstanding performance in salient ship detection in complex sea background.