显著图

摘要： 针对目前显著性算法普遍面临的背景噪声较多,准确性较低等问题,提出一种基于图像颜色对比的显著性检测算法。首先在Lab伪彩色空间域将图像进行SLIC超像素分割,依照图像的全局对比计算,确定前景预选区域。然后以该区域内超像素特征通道信息值作为参考值,计算各超像素显著值,得到初步显著图。最后构建视觉中心,考虑颜色权重信息对显著目标区域的影响,优化得到最终结果。采用当前通用数据集进行测试,并与其它六种主流算法进行对比,结果显示论文实验算法不仅最终结果图质量较优,还在多个客观评价指标上表现良好。

摘要： 针对深度神经网络(DNN)中的可解释性导致模型信息泄露的问题,证明了在白盒环境下利用Grad-CAM解释方法产生对抗样本的可行性,并提出一种无目标的黑盒攻击算法--动态遗传算法。该算法首先根据解释区域与扰动像素位置的变化关系改进适应度函数,然后通过多轮的遗传算法在不断减少扰动值的同时递增扰动像素的数量,而且每一轮的结果坐标集会在下一轮的迭代中保留使用,直到在未超过扰动边界的情况下扰动像素集合使预测标签发生翻转。在实验部分,所提算法在AlexNet、VGG-19、ResNet-50和SqueezeNet模型下的攻击成功率平均为92.88%,与One pixel算法相比,虽然增加了8%的运行时间,但成功率提高了16.53个百分点。此外,该算法能够在更短的运行时间内,使成功率高于Ada-FGSM算法3.18个百分点,高于PPBA算法8.63个百分点,并且与Boundary-attack算法的成功率相差不大。结果表明基于解释方法的动态遗传算法能有效进行对抗攻击。

摘要： 目前方法不能有效提取图像的多尺度特征并完全利用全局信息,对此提出一种新的全局信息引导的多尺度显著物体检测模型。设计了多尺度特征提升模块,提升了各个侧输出特征的多尺度表征能力;利用空洞空间卷积池化金字塔模块提取图像的全局特征;将全局特征直接与各个侧边输出的多尺度特征相融合,利用全局特征引导侧边特征聚焦于目标区域中有用的中低层特征;采用由粗至细的方式得到最终的预测结果。该模型在四个广泛使用的数据集上进行了测试,并与8种近3年具有代表性的方法进行比较。实验结果表明,该模型对各种场景的显著物体检测具有较好的鲁棒性,可以均匀高亮显著目标的同时抑制背景噪声。

摘要： 针对内容感知图像缩放法的显著图,引入主成分分析(PCA)法检测图像的显著性,并结合相关分析法进行图像缩放。先根据图像每个像素点构造3×3领域,通过PCA算法得到每点的显著得分并定义行、列的显著度;再结合图像行列相关分析得到的行列相近度,给出各行各列的重要值,删除或放大较小重要值的行列实现图像的缩放。实验结果表明,该方法理论简单、运行高效,不仅能够完整地保护重要区域,同时还可以让图像的整体概貌过渡良好。

摘要： 近年来,深度学习在图像分类、目标检测及场景识别等任务上取得了突破性进展,这些任务多以卷积神经网络为基础搭建识别模型,训练后的模型拥有优异的自动特征提取和预测性能,能够为用户提供“输入–输出”形式的端到端解决方案.然而,由于分布式的特征编码和越来越复杂的模型结构,人们始终无法准确理解卷积神经网络模型内部知识表示,以及促使其做出特定决策的潜在原因.另一方面,卷积神经网络模型在一些高风险领域的应用,也要求对其决策原因进行充分了解,方能获取用户信任.因此,卷积神经网络的可解释性问题逐渐受到关注.研究人员针对性地提出了一系列用于理解和解释卷积神经网络的方法,包括事后解释方法和构建自解释的模型等,这些方法各有侧重和优势,从多方面对卷积神经网络进行特征分析和决策解释.表征可视化是其中一种重要的卷积神经网络可解释性方法,能够对卷积神经网络所学特征及输入–输出之间的相关关系以视觉的方式呈现,从而快速获取对卷积神经网络内部特征和决策的理解,具有过程简单和效果直观的特点.对近年来卷积神经网络表征可视化领域的相关文献进行了综合性回顾,按照以下几个方面组织内容:表征可视化研究的提起、相关概念及内容、可视化方法、可视化的效果评估及可视化的应用,重点关注了表征可视化方法的分类及算法的具体过程.最后是总结和对该领域仍存在的难点及未来研究趋势进行了展望.

摘要： 基于U-Net的编码-解码网络及其变体网络在医学图像语义分割任务中取得了卓越的分割性能.然而,网络在特征提取过程中丢失了部分空间细节信息,影响了分割精度.另一方面,在多模态的医学图像语义分割任务中,这些模型的泛化能力和鲁棒性不理想.针对以上问题,提出一种显著性引导及不确定性监督的深度卷积编解码网络,以解决多模态医学图像语义分割问题.该算法将初始生成的显著图和不确定概率图作为监督信息来优化语义分割网络的参数.首先,通过显著性检测网络生成显著图,初步定位图像中的目标区域;然后,根据显著图计算不确定分类的像素点集合,生成不确定概率图;最后,将显著图和不确定概率图与原图像一同送入多尺度特征融合网络,引导网络关注目标区域特征的学习,同时增强网络对不确定分类区域和复杂边界的表征能力,以提升网络的分割性能.实验结果表明,所提算法能够捕获更多的语义信息,在多模态医学图像语义分割任务中优于其他的语义分割算法,并具有较好的泛化能力和鲁棒性.

摘要： 红外舰船目标识别逐渐成为无人机侦查和精确制导等领域的研究重点。基于视觉显著性目标检测,对ITTI模型和HOU模型的算法进行研究。为了兼顾识别精度和速度,提出了一种基于直方图的自适应尺度的显著图融合检测算法,通过在HOU算法的显著图中加入了ITTI模型的亮度特征,并在形成图像金字塔时,利用直方图确定目标尺寸,进而自适应地得到合适数量的金字塔图层,使得生成的显著图更精确。仿真表明该算法能有效提高红外舰船目标的识别率,并可以适用于不同大小目标的检测。

摘要： 由于单类蚁群算法分割易造成欠分割或者过分割,提出基于类间蚂蚁竞争模型的显著图像分割算法.首先根据线性迭代聚类超像素分割算法(simple linear iterative clustering,SLIC)对图像进行预处理,在保留原始图像信息的前提下,将图像分割成各个区域,这样不仅可以提高分割精度得到理想的分割结果,还可以缩短运算时间.同时为了弥补单类蚂蚁分割易造成的欠分割或者过分割,引入两类蚂蚁,每一类蚂蚁寻找各自目标(前景/背景),不同类别的蚂蚁之间进行信息互补与竞争,使得分割结果更加准确.根据种群竞争思想,设定两类蚂蚁,每类蚂蚁设定食物目标不同,从而相互竞争,"优胜劣汰",最终找到各自的食物,根据两类蚂蚁分泌的信息素竞争得到最终的结果.实验结果表明,该算法运行快速,分割结果更加精确.

摘要： 显著性目标检测已经被广泛应用到图像检索、图像分割、行人重识别等领域.目前主流的显著性目标检测方法通常采用短连接加权的方式融合多级别特征信息,这种方式无法精准有效地控制信息流的传递.而且,现有的检测方法通常采用单一的特征检测,导致显著性目标区域与背景的边界不连续、易模糊.因此,本文提出一种多尺度特征提取和多级别特征融合的显著性目标检测方法.首先,利用不同扩张率的空洞卷积获取多尺度的上下文信息,弥补单一特征检测带来的不足.其次,提出一个多级别特征融合模块,该模块有效地利用浅层特征信息、深层特征信息和全局上下文特征信息之间的分布特性进行融合,不仅可以抑制噪声的传递,而且可以更有效地恢复显著性目标的空间细节结构信息.同时构建一个简洁的注意力模块,该模块有效保留特征图融合后的通道信息.本文对综合指标、平均绝对误差、结构化度量、精确率–召回率曲线和F-measure曲线进行了实验评估,在5个公开的数据集上进行的实验结果表明:相比于其他13种主流的检测方法,本文方法在不同的评估指标上均有明显的提升,在4个数据集上的综合指标和结构化度量指标均超过其他方法;并且,本文方法的可视化检测的显著图边缘轮廓连续性更好,空间结构细节信息更清晰.

摘要： 显著性目标检测已经被广泛应用到图像检索、图像分割、行人重识别等领域。目前主流的显著性目标检测方法通常采用短连接加权的方式融合多级别特征信息,这种方式无法精准有效地控制信息流的传递。而且,现有的检测方法通常采用单一的特征检测,导致显著性目标区域与背景的边界不连续、易模糊。因此,本文提出一种多尺度特征提取和多级别特征融合的显著性目标检测方法。首先,利用不同扩张率的空洞卷积获取多尺度的上下文信息,弥补单一特征检测带来的不足。其次,提出一个多级别特征融合模块,该模块有效地利用浅层特征信息、深层特征信息和全局上下文特征信息之间的分布特性进行融合,不仅可以抑制噪声的传递,而且可以更有效地恢复显著性目标的空间细节结构信息。同时构建一个简洁的注意力模块,该模块有效保留特征图融合后的通道信息。本文对综合指标、平均绝对误差、结构化度量、精确率-召回率曲线和F-measure曲线进行了实验评估,在5个公开的数据集上进行的实验结果表明:相比于其他13种主流的检测方法,本文方法在不同的评估指标上均有明显的提升,在4个数据集上的综合指标和结构化度量指标均超过其他方法;并且,本文方法的可视化检测的显著图边缘轮廓连续性更好,空间结构细节信息更清晰。

摘要： 相比2D视频,立体视频能够带给人们更好的视觉感受.由于增加了深度信息,基于立体视频的显著图生成方法也应与2D的方法有所差异.本文综合立体视频帧的2D和深度信息,提出了一种自底向上的3D显著图生成方法.在PQFT方法的基础上,通过对连续视频帧的运动建模消除了全局运动的影响,结合颜色和运动生成2D时空显著图.在深度信息的处理上,在越近显著度越大的传统规则基础上,增加了深度边界显著度和景深模糊度的计算,使最终生成3D显著图更加符合人眼的视觉特性.实验结果表明了本文提出的方法的有效性.

摘要： 提出了一种基于视觉注意机制的红外小目标检测算法.通过形态学Top-hat算子对图像背景进行抑制,并根据目标与周围背景的对比度不同生成显著图后分割出目标感兴趣区,在感兴趣区域内对每帧图片在尺度空间采用Dog算子处理提高图像信杂比,获得具有较大信杂比的点.为避免目标在帧中消失,采用PID算法跟踪目标点,在可疑目标点周围小区域内采用视网膜皮层理论(Retinex)算法对图像局部区域增强再重新分割出目标.实验证明:该算法能有效对红外小目标进行检测,算法在不同背景的图像检测性能都趋于稳定,当目标融于背景时,能很好地将红外目标检测出来.

摘要： 为了降低图像自适应过程中图像内容缺失和图像扭曲变形,文章中提出了一种基于形变控制的图像自适应细缝剪裁方法,将融合局部和全局显著性的显著图作为细缝剪裁参考的能量图,对需要剪裁的细缝按照这个能量图进行排序,以更好地保护图像中感兴趣区域(ROI),保留图像的主要内容信息;同时,利用SIFT流矢量场来衡量剪裁图像的形变程度,每移除一定数量的细缝就计算剪裁图像与原始图像之间的形变,一旦形变达到某一阈值,就停止细缝剪裁,转换为均匀缩放使图像到达目标尺寸.实验结果表明,文章中提出的方法更好地平衡了均匀缩放和非均匀剪裁,更有利于保留图像主要内容和避免主要内容的变形.

摘要： 基于显著性视觉注意模型以颜色、方向和亮度为基本特征,但在提取图像高层语义研究中,视觉特征的贡献尚未明确.本文用Itti等提出的显著图模型,对图像数据库中的255类图像,通过分析不同特征通道相结合得到的显著位置,提出了衡量不同组间的差异指标,对每组得到的显著位置之间的差异进行分析,得到了各特征在模型中贡献的一种量化评价方法.结果表明,在基于显著性的视觉注意模型中,颜色是最为重要的特征.

摘要： 针对现有的感兴趣区域(Region of Interest,ROI)提取方法边缘不清晰、区域不完整等问题,提出了一种基于图像颜色特征信息量的ROI提取方法.该方法用颜色局部特征的信息量大小衡量图像中像素兴趣度的大小,然后融合颜色特征信息量图,获得图像的显著图(Saliency Map,SM).对SM进行阈值分割,得到图像中显著值大的区域,即图像的ROI.实验结果表明,此方法在自动提取ROI时可以有效的提取出图像中感兴趣目标对象,SM中目标区域的显著值均匀,边缘清晰;与人工标记的ROI进行比较,该方法召回率达到79.71％,精度达到78.53％,优于Itti、Achanta和Harel的ROI提取方法.

摘要： 本文在活动轮廓模型(Active Contours Model)中结合显著性分析，提出了一种更为有效地边界提取方法。即首先提取图像的显著性区域,通过阈值分割方法获取目标的大致轮廓，并以此作为活动轮廓中曲线演化的初始位置。该方法使得活动轮廓方法可以从靠近目标物体的边缘进行演化，这样就克服了图像背景复杂时，无法得到较为准确的边缘的问题；同时，大大减少了CV模型的迭代次数。

摘要： 本文在活动轮廓模型(Active Contours Model)中结合显著性分析，提出了一种更为有效地边界提取方法。即首先提取图像的显著性区域,通过阈值分割方法获取目标的大致轮廓，并以此作为活动轮廓中曲线演化的初始位置。该方法使得活动轮廓方法可以从靠近目标物体的边缘进行演化，这样就克服了图像背景复杂时，无法得到较为准确的边缘的问题；同时，大大减少了CV模型的迭代次数。

摘要： 本文在活动轮廓模型(Active Contours Model)中结合显著性分析，提出了一种更为有效地边界提取方法。即首先提取图像的显著性区域,通过阈值分割方法获取目标的大致轮廓，并以此作为活动轮廓中曲线演化的初始位置。该方法使得活动轮廓方法可以从靠近目标物体的边缘进行演化，这样就克服了图像背景复杂时，无法得到较为准确的边缘的问题；同时，大大减少了CV模型的迭代次数。

摘要： 本文在活动轮廓模型(Active Contours Model)中结合显著性分析，提出了一种更为有效地边界提取方法。即首先提取图像的显著性区域,通过阈值分割方法获取目标的大致轮廓，并以此作为活动轮廓中曲线演化的初始位置。该方法使得活动轮廓方法可以从靠近目标物体的边缘进行演化，这样就克服了图像背景复杂时，无法得到较为准确的边缘的问题；同时，大大减少了CV模型的迭代次数。

摘要： 为了弥补基于全局特征图像检索的不足,本文提出一种基于感兴趣区域的图像检索方法,根据认知心理学中选取注视焦点的模型提取感兴趣区域,然后用感兴趣区域的主色和不变矩进行图像的检索.这样即减少了"不感兴趣图像"的干扰,又克服了旋转、平移、缩放带来的变化,对查询图像的噪声等扰动具有较高的鲁棒性.本文对此进行了介绍.

摘要： 本申请提供了解码显著性图的装置、方法及编码显著性图的装置。一种用于编码指示在变换系数块内的显著变换系数的位置的显著性图的较高编码效率藉由扫描次序达成，借助于该结果，被顺序地抽取的语法元素，其指示对于在变换系数块内的关联位置，关于显著变换系数还是非显著变换系数位于相应的位置，根据利用先前关联的语法元素所指示的显著变换系数位置，被顺序地关联至在变换系数块位置中的变换系数块位置。可选地，第一类型元素可使用上下文通过上下文自适应熵解码，显著变换系数根据先前被抽取的并被关联的第一类型语法元素而位于的若干位置，而对于每个所述第一类型语法元素被各自地选择。

摘要： 本申请提供了解码显著性图的装置。一种用于编码指示在变换系数块内的显著变换系数的位置的显著性图的较高编码效率藉由扫描次序达成，借助于该结果，被顺序地抽取的语法元素，其指示对于在变换系数块内的关联位置，关于显著变换系数还是非显著变换系数位于相应的位置，根据利用先前关联的语法元素所指示的显著变换系数位置，被顺序地关联至在变换系数块位置中的变换系数块位置。可选地，第一类型元素可使用上下文通过上下文自适应熵解码，显著变换系数根据先前被抽取的并被关联的第一类型语法元素而位于的若干位置，而对于每个所述第一类型语法元素被各自地选择。

摘要： 本发明公开了一种图像显著对象提取方法、互补显著度图学习方法及系统。其中，基于图像显著对象提取方法包括：利用所述图像训练集学习得到两个互补显著度映射函数；基于学习得到的所述互补显著度映射函数，得到互补显著度图；根据所述互补显著度图提供的软先验知识，提取出显著物体。本发明通过给定任意图像，自动准确地提取出图像中的显著物体，有效地解决了在复杂场景下一般显著物体提取结果缺乏的准确性和鲁棒性问题，为该类方法提供了一种全新的思路。

摘要： 本申请提供了解码显著性图的装置、方法及编码显著性图的装置。一种用于编码指示在变换系数块内的显著变换系数的位置的显著性图的较高编码效率藉由扫描次序达成，借助于该结果，被顺序地抽取的语法元素，其指示对于在变换系数块内的关联位置，关于显著变换系数还是非显著变换系数位于相应的位置，根据利用先前关联的语法元素所指示的显著变换系数位置，被顺序地关联至在变换系数块位置中的变换系数块位置。可选地，第一类型元素可使用上下文通过上下文自适应熵解码，显著变换系数根据先前被抽取的并被关联的第一类型语法元素而位于的若干位置，而对于每个所述第一类型语法元素被各自地选择。

摘要： 本申请提供一种显著性真值图的生成方法及显著性检测模型的训练方法。显著性真值图的生成方法包括：获取待标记图像；将所述待标记图像输入至分类分支模型中，生成类激活图；其中，所述类激活图表征所述待标记图像中所述分类分支模型所关注的高亮区域；将所述待标记图像输入至回归分支模型中，生成显著性区域图；其中，所述显著性区域图为包含显著性边框的待标记图像；将所述类激活图中的高亮区域与所述显著性区域图中的显著性边框的内部区域的交集进行标记，生成显著性真值图。通过该方式了减少了人工逐像素标记真值过于繁琐、无法提供大量的真值标注图像等问题，缓解了标注的压力。

摘要： 本发明公开了一种图像显著对象提取方法、互补显著度图学习方法及系统。其中，基于图像显著对象提取方法包括：利用所述图像训练集学习得到两个互补显著度映射函数；基于学习得到的所述互补显著度映射函数，得到互补显著度图；根据所述互补显著度图提供的软先验知识，提取出显著物体。本发明通过给定任意图像，自动准确地提取出图像中的显著物体，有效地解决了在复杂场景下一般显著物体提取结果缺乏的准确性和鲁棒性问题，为该类方法提供了一种全新的思路。

摘要： 本发明公开了一种融合颜色对比图和颜色空间分布图的图像显著性检测方法。通常的自下而上的图像显著性检测方法是利用图像的颜色、亮度、边缘等底层特征来计算。本发明综合图像底层颜色对比特征图和图像颜色空间分布特征图来得到最后的显著性图。首先根据SLIC超像素分割后的图像求取图像的颜色对比特征图，接着，利用K‑Means聚类后的图像通过计算获得初步的颜色空间分布特征图，再映射到超像素分割图上，进而根据图像颜色的相似度来进一步优化颜色分布特征图。最后融合颜色对比特征图和优化后的图像颜色空间分布特征图得到最终的显著图。本发明能够在较低的时间复杂度内得到较准确、完整的显著图。

摘要： 本发明公开一种利用显著图再生成三流卷积神经网络的RGBD图像显著性检测方法。先通过双流端到端网络建立门结构形式解码生成一张初始显著性预测图，再将这一张初始显著性预测图作为输入建立一个单流轻量网络，为了节约内存和算力，解码部分利用双流网络的解码信息来引导单流网络解码，先前的信息利用先前的经验指导后来的特征信息，再将单流生成的显著性预测图与初始显著性预测图通过设置权重相加得到最终的显著性预测图。本发明的方法通过建立两层网络来有效的利用的先前信息和后来信息来增强初始显著性预测图，实验证明本方法的有效性，本专利实验说明本方法两个测试集上预测结果边界清晰，显著物体结构完整。

摘要： 本发明涉及图像处理以及多媒体技术领域，尤其是一种融合显著图与深度图的缝切割重定向方法。包括：利用GBVS算法获取图像显著图；结合图像梯度图与提出的通过SIFT匹配方法获取图像深度图构建更精确的重要度图；根据重要度图的能量分布，获取能量较低位置的切割缝，记录每条缝的位置与运动过程，对原始图像进行处理，得到最终的重定向结果。本发明同时考虑了图像的显著图和深度图，能够最大程度的保留图像的显著部分，并且改善原有缝切割方法中的扭曲及失真问题。

摘要： 本发明公开了一种融合颜色对比图和颜色空间分布图的图像显著性检测方法。通常的自下而上的图像显著性检测方法是利用图像的颜色、亮度、边缘等底层特征来计算。本发明综合图像底层颜色对比特征图和图像颜色空间分布特征图来得到最后的显著性图。首先根据SLIC超像素分割后的图像求取图像的颜色对比特征图，接着，利用K‑Means聚类后的图像通过计算获得初步的颜色空间分布特征图，再映射到超像素分割图上，进而根据图像颜色的相似度来进一步优化颜色分布特征图。最后融合颜色对比特征图和优化后的图像颜色空间分布特征图得到最终的显著图。本发明能够在较低的时间复杂度内得到较准确、完整的显著图。