摘要：显著性区域提取旨在模拟人类视觉系统快速关注图像中感兴趣区域的能力,可作为图像预处理技术为后续的目标检测任务提供有价值的候选目标集,这在目标空间占比较小的图像场景中(如遥感图像)尤为重要.虽然当前以卷积网络为代表的显著性区域提取技术已取得长足进步,但仍存在诸多技术局限:(1)提取准确性有赖于大规模的训练数据,样本搜集与标注的人工代价高昂;(2)模型的训练与推理计算开销过大,不利于资源受限的嵌入式硬件平台部署.为了解决上述问题,设计了一种高效的显著性区域提取网络,将传统图像小波分析与经典的稀疏编码、条件随机场等机器学习方法相结合,针对性地挖掘图像纹理结构信息及空间上下文奇异性,进而预测显著性区域.从技术上讲,(1)网络的小波纹理结构分析单元通用性良好,可规避样本训练过程,降低训练样本依赖性;(2)网络的稀疏编码单元可实现特征向量的低熵编码,有助于提升特征的鲁棒性;(3)网络的邻域关联单元基于条件随机场模型,可利用空间上下文间的关联性来挖掘图像奇异性信息,从而联合判断显著性区域.实验表明,与基于手工特征提取的显著性区域提取方法相比,所提方法具有相当甚至更优的提取准确性;与传统的深度学习网络相比,所提方法具有良好的训练与推理计算效率.
