-
公开(公告)号：CN114332491A
公开(公告)日：2022-04-12
申请号：CN202111463853.5
申请日：2021-12-03
Applicant: 安徽理工大学
Abstract: 本发明属于显著性目标检测领域，提供了一种基于特征重构的显著性目标检测算法，包括以下步骤：1)首先输入原始RGB图像利用预训练好的ResNet‑50网络进行多层次特征提取；2)然后，使用残差特征重构模块，提取局部和全局上下文信息，聚合上下文信息增强特征中目标的显著性，优化多层次特征。3)随后，引入残差短连接聚合优化后的多层次特征交互多种信息生成具有丰富显著性目标信息的特征表示。4)最后，将特征表示进行降维并激活，使用多次监督策略进行模型训练。通过大量的与现存显著性目标检测方法相比较，本发明基于特征重构的显著性目标检测算法，通过利用精心设计的卷积、空洞卷积以及特征重构操作可以准确预测和分割的显著性目标。
-
公开(公告)号：CN114332491B
公开(公告)日：2024-08-09
申请号：CN202111463853.5
申请日：2021-12-03
Applicant: 安徽理工大学
Abstract: 本发明属于显著性目标检测领域，提供了一种基于特征重构的显著性目标检测方法，包括以下步骤：1)首先输入原始RGB图像利用预训练好的ResNet‑50网络进行多层次特征提取；2)然后，使用残差特征重构模块，提取局部和全局上下文信息，聚合上下文信息增强特征中目标的显著性，优化多层次特征；3)随后，引入残差短连接聚合优化后的多层次特征交互多种信息生成具有丰富显著性目标信息的特征表示；4)最后，将特征表示进行降维并激活，使用多次监督策略进行模型训练。通过大量的与现存显著性目标检测方法相比较，本发明基于特征重构的显著性目标检测方法，通过利用精心设计的卷积、空洞卷积以及特征重构操作可以准确预测和分割的显著性目标。
-
公开(公告)号：CN114119978B
公开(公告)日：2024-08-09
申请号：CN202111461687.5
申请日：2021-12-03
Applicant: 安徽理工大学
IPC: G06V10/26 , G06V10/46 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/09
Abstract: 本发明属于计算机视觉领域，提供了一种集成多源特征网络的显著性目标检测算法，包括以下步骤：1)利用ResNet‑50主干网络从RGB图像提取初始多层次特征；2)利用多尺度特征聚合模块充分提取多尺度特征，聚合优化多层次特征增加特征多样性；3)利用全局特征提取器从初始特征中提取更高层次语义信息；4)利用关联特征交互模块互补性融合交互多层次特征，生成最显著特征表示；5)利用深度监督模块将最显著特征表示降维激活生成显著性图并利用真值标签以端到端的方式进行训练监督。通过与现存的最先进的显著性目标检测算法相比，本发明集成多源特征网络的显著性目标检测算法具有很大的优势。
-
公开(公告)号：CN114119978A
公开(公告)日：2022-03-01
申请号：CN202111461687.5
申请日：2021-12-03
Applicant: 安徽理工大学
Abstract: 本发明属于计算机视觉领域，提供了一种集成多源特征网络的显著性目标检测算法，包括以下步骤：1)利用ResNet‑50主干网络从RGB图像提取初始多层次特征；2)利用多尺度特征聚合模块充分提取多尺度特征，聚合优化多层次特征增加特征多样性；3)利用全局特征提取器从初始特征中提取更高层次语义信息；4)利用关联特征交互模块互补性融合交互多层次特征，生成最显著特征表示；5)利用深度监督模块将最显著特征表示降维激活生成显著性图并利用真值标签以端到端的方式进行训练监督。通过与现存的最先进的显著性目标检测算法相比，本发明集成多源特征网络的显著性目标检测算法具有很大的优势。
-
-
-
Search Results
4
records
(took 0.018 seconds)
