公开(公告)号：CN109165660B

公开(公告)日：2021-11-09

申请号：CN201810634717.X

申请日：2018-06-20

Applicant: 扬州大学

Inventor： 陈舒涵 ,  谭秀莉 ,  王奔 ,  胡学龙

IPC: G06K9/62

Abstract: 本发明提出了一种基于卷积神经网络的显著物体检测方法，本发明以任意的静态图像为输入，输出该图像中显著的物体。本发明首先在卷积神经网络的最深层提取低分辨率的全局显著性图，然后设计了两个网络结构，一个是残差特征学习网络，用于提取多尺度的残差特征，在较少的模型参数下逐步提升全局显著性图的分辨率；另一个是反向注意力机制网络，通过反向权重图引导上述残差特征学习，进一步提升显著性图的分辨率。本发明检测精度高，网络模型小，适用于移动端等嵌入式设备。

公开(公告)号：CN109165660A

公开(公告)日：2019-01-08

申请号：CN201810634717.X

申请日：2018-06-20

Applicant: 扬州大学

Inventor： 陈舒涵 ,  谭秀莉 ,  王奔 ,  胡学龙

IPC: G06K9/62

Abstract: 本发明提出了一种基于卷积神经网络的显著物体检测方法，本发明以任意的静态图像为输入，输出该图像中显著的物体。本发明首先在卷积神经网络的最深层提取低分辨率的全局显著性图，然后设计了两个网络结构，一个是残差特征学习网络，用于提取多尺度的残差特征，在较少的模型参数下逐步提升全局显著性图的分辨率；另一个是反向注意力机制网络，通过反向权重图引导上述残差特征学习，进一步提升显著性图的分辨率。本发明检测精度高，网络模型小，适用于移动端等嵌入式设备。