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.