显著性目标检测轮廓增强技术研究

摘要

显著性区域检测即针对一张图像,找出其中最显著的目标。传统方法大多基于先验知识以及根据人工提取的特征来计算对比度,继而得到显著性目标。这普遍存在适应性差的问题,即对于某些场景效果比较好,对于别的场景效果则差很多。近年来深度学习算法的兴起开始应用于显著性检测,优点在于只要数据集覆盖比较全面,对于各种场景,都可以得到优于传统方法的结果。本文在原有模型的基础上,结合粗提取到细精炼两个过程,提出了新的深度学习模型。粗提取过程由两个子网络组合,以原图像作为输入,第一个子网络以超像素为单位,结合局部上下文关系得到的特征与第二个子网络在VGG中提取的高层次特征串联得到原图的显著性粗略预测。细精炼过程由一系列循环卷积层组成的,从粗糙尺度到精细尺度精炼这个粗糙的预测,最终端对端输出精度高的显著性目标区域。