• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    特征混合增強(qiáng)與多損失融合的顯著性目標(biāo)檢測(cè)

    2022-10-16 05:51:18李春標(biāo)謝林柏彭力
    計(jì)算機(jī)與生活 2022年10期
    關(guān)鍵詞:特征檢測(cè)信息

    李春標(biāo),謝林柏,彭力

    物聯(lián)網(wǎng)技術(shù)應(yīng)用教育部工程研究中心(江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院),江蘇 無(wú)錫214122

    顯著性目標(biāo)檢測(cè)旨在從輸入圖像上識(shí)別出最引人注目的對(duì)象。出于降低計(jì)算復(fù)雜度的目的,顯著性目標(biāo)檢測(cè)已經(jīng)被廣泛應(yīng)用于語(yǔ)義分割、圖像檢索、目標(biāo)識(shí)別、場(chǎng)景分類等領(lǐng)域。

    圖像顯著性目標(biāo)的特征包括低層級(jí)基本特征與高層級(jí)語(yǔ)義特征,低層級(jí)基本特征主要包括紋理、顏色、對(duì)比度等,高層級(jí)特征則揭示目標(biāo)與背景之間內(nèi)在的語(yǔ)義信息。許多傳統(tǒng)的顯著性目標(biāo)檢測(cè)方法依賴于手工制作的特征和預(yù)定義的先驗(yàn)知識(shí)。這些方法利用圖像的低層級(jí)信息以自底向上的方式進(jìn)行檢測(cè)。然而,由于這些先驗(yàn)信息在復(fù)雜的自然場(chǎng)景中往往是不準(zhǔn)確的,導(dǎo)致了較差的檢測(cè)結(jié)果。

    最近,基于卷積神經(jīng)網(wǎng)絡(luò)的算法通過(guò)利用高層級(jí)語(yǔ)義信息,已經(jīng)取得了更優(yōu)越的檢測(cè)結(jié)果。Liu等使用膠囊網(wǎng)絡(luò)進(jìn)行顯著性目標(biāo)檢測(cè),在模型中加入了部分物體關(guān)系,采用雙流策略來(lái)實(shí)現(xiàn)膠囊網(wǎng)絡(luò),有效降低了噪聲分配的可能性。Kuen等提出了一個(gè)循環(huán)注意卷積-反卷積網(wǎng)絡(luò),利用空間變壓器和循環(huán)網(wǎng)絡(luò)單元,實(shí)現(xiàn)了顯著圖的逐步細(xì)化。Zhang等提出了Amulet 網(wǎng)絡(luò),首先將多層級(jí)特征整合到多個(gè)分辨率下,然后在每個(gè)分辨率下進(jìn)行特征整合,最后進(jìn)行顯著性融合獲得最終的顯著圖。Luo等提出了一種非局部深度特征網(wǎng)絡(luò),使用多分辨率網(wǎng)格結(jié)構(gòu)將局部信息與全局信息結(jié)合起來(lái)進(jìn)行顯著性目標(biāo)檢測(cè),并且實(shí)現(xiàn)了一個(gè)邊緣感知的損失函數(shù)。

    由于深度學(xué)習(xí)的快速發(fā)展,這一領(lǐng)域已經(jīng)取得了很大的成功,但是復(fù)雜場(chǎng)景下的顯著性目標(biāo)檢測(cè)仍有以下挑戰(zhàn):(1)一方面由于顯著性是基于圖像全局定義的,算法必須整合全局信息;另一方面,精細(xì)的顯著性目標(biāo)檢測(cè),又要考慮局部、邊緣等細(xì)節(jié)。當(dāng)前的顯著性目標(biāo)檢測(cè)方法并不能對(duì)這兩方面進(jìn)行有效的權(quán)衡。(2)當(dāng)前許多顯著性目標(biāo)檢測(cè)方法使用二進(jìn)制交叉熵(binary cross-entropy,BCE)作為損失函數(shù)。但是交叉熵?fù)p失函數(shù)是像素級(jí)的,它不考慮鄰域的像素值,因此不能有效地處理全局信息。這導(dǎo)致了區(qū)域一致性差和特征缺失的問(wèn)題。

    為了應(yīng)對(duì)以上挑戰(zhàn),本文提出了一種特征混合增強(qiáng)與多損失融合的顯著性目標(biāo)檢測(cè)算法。首先設(shè)計(jì)上下文感知預(yù)測(cè)模塊(context-aware prediction module,CAPM),它由多組編碼器-解碼器組成,并且為了有效提取全局信息嵌入了空間感知模塊(spatial-aware module,SAM)。然后設(shè)計(jì)特征混合增強(qiáng)模塊(feature hybrid enhancement module,F(xiàn)HEM),對(duì)預(yù)測(cè)模塊產(chǎn)生的全局特征信息和細(xì)節(jié)特征信息進(jìn)行有效的整合,并利用特征聚合模塊(feature aggregation module,F(xiàn)AM)對(duì)整合的信息進(jìn)行特征增強(qiáng)。最后提出了區(qū)域增強(qiáng)損失函數(shù)(regional augmentation,RA),通過(guò)結(jié)合二進(jìn)制交叉熵?fù)p失函數(shù)和結(jié)構(gòu)化相似度損失函數(shù)(structural similarity,SSIM),監(jiān)督網(wǎng)絡(luò)保持前景區(qū)域的完整性,增強(qiáng)區(qū)域像素一致性。

    1 方法概述

    本文提出區(qū)域增強(qiáng)網(wǎng)絡(luò),包含上下文感知預(yù)測(cè)模塊和特征混合增強(qiáng)模塊。上下文感知預(yù)測(cè)模塊能夠有效地提取全局信息和細(xì)節(jié)信息,獲得初步的顯著性特征圖。特征混合增強(qiáng)模塊可以將解碼器得到的全局信息和細(xì)節(jié)信息進(jìn)行充分的篩選提取,最終獲得結(jié)構(gòu)更加完整清晰的顯著圖。此外,網(wǎng)絡(luò)中使用的混合損失函數(shù)可以引導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)更多前景細(xì)節(jié)信息,緩解特征缺失和增強(qiáng)區(qū)域像素的一致性。

    1.1 上下文感知預(yù)測(cè)模塊

    上下文感知預(yù)測(cè)模塊被設(shè)計(jì)成U 型結(jié)構(gòu),U型結(jié)構(gòu)可以有效地獲取低層和高層的信息。對(duì)于主干網(wǎng)絡(luò)提取的多尺度信息,U 型結(jié)構(gòu)使用自頂向下的方式分為多個(gè)層級(jí)進(jìn)行逐級(jí)融合。其中逐級(jí)融合的方法保證了上采樣恢復(fù)出來(lái)的特征更精細(xì),能更好地保留低層細(xì)節(jié)信息,多層級(jí)特征的融合保證了可以匯集多尺度信息,能更好地保留高層全局信息。網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1 所示。

    圖1 中,六對(duì)編碼器和解碼器分別被記作(∈{1,2,3,4,5,6})。

    圖1 顯著性目標(biāo)檢測(cè)網(wǎng)絡(luò)框架Fig.1 Framework of salient object detection network

    采用ResNet-34 作為主干網(wǎng)絡(luò),去除其最后兩個(gè)全連接層和最后一個(gè)池化層,并對(duì)輸入層進(jìn)行修改。ResNet 模型首先用于圖像分類任務(wù),由于其優(yōu)異的性能,廣泛應(yīng)用于各種計(jì)算機(jī)視覺(jué)任務(wù)中。由于ResNet 的輸入層使用的卷積核大小為7×7,stride被設(shè)置為2,這引入了過(guò)多的參數(shù),損失了圖像的細(xì)節(jié)信息。因此使用64 個(gè)大小為3×3 的卷積核重新構(gòu)造輸入層。在ResNet-34 這4 組卷積塊后進(jìn)行池化操作pool4,此時(shí)特征圖大小為14×14。此外,通過(guò)加入兩組卷積塊(、),提高模型容量以充分提取高層級(jí)語(yǔ)義信息,這兩組卷積塊由3 個(gè)擁有512 個(gè)卷積核的普通殘差塊組成。為了提高顯著圖的清晰度,不再使用池化模塊,保持特征圖大小不再變化。

    編碼器與解碼器連接處增加一個(gè)空間感知模塊以進(jìn)一步捕獲全局語(yǔ)義信息,見(jiàn)圖2。它包含3 個(gè)膨脹率不同的3×3 卷積層和一個(gè)1×1 卷積層,在經(jīng)過(guò)這些卷積層后產(chǎn)生4 個(gè)大小相同的特征圖,將其拼接,經(jīng)過(guò)批歸一化和ReLU 激活函數(shù)后,得到和輸入大小相同的特征圖。

    圖2 空間感知模塊Fig.2 Spatial-aware module

    預(yù)測(cè)模塊的解碼器和編碼器幾乎完全對(duì)稱,共有6 個(gè)解碼器(~)。每個(gè)解碼器由3 個(gè)卷積塊組成,其中每個(gè)卷積塊依次由卷積層、批歸一化層、激活函數(shù)層組成。每個(gè)解碼器的輸入由前一個(gè)階段的解碼器的輸出與對(duì)應(yīng)的編碼器拼接產(chǎn)生。如果特征圖大小不匹配,則對(duì)解碼器產(chǎn)生的特征圖進(jìn)行上采樣,使其大小一致。預(yù)測(cè)模塊的編碼器與解碼器關(guān)系見(jiàn)式(1)。

    1.2 特征混合增強(qiáng)模塊

    為了對(duì)預(yù)測(cè)模塊輸出特征圖的細(xì)節(jié)信息與全局信息進(jìn)行充分的挖掘與整合,得到細(xì)節(jié)清晰、結(jié)構(gòu)完整的顯著圖。在預(yù)測(cè)模塊的解碼器端引入特征混合增強(qiáng)模塊(FHEM),利用特征聚合模塊(FAM)充分聚合多尺度信息,并對(duì)得到的信息進(jìn)行有效的整合,生成最終的顯著圖。

    注意力機(jī)制是一種增強(qiáng)深度卷積神經(jīng)網(wǎng)絡(luò)性能的手段,一些研究已經(jīng)驗(yàn)證了注意力機(jī)制對(duì)顯著性目標(biāo)檢測(cè)任務(wù)的有效性。但是他們所使用的是通道注意力(channel attention,CA)模塊,激勵(lì)函數(shù)使用的是全連接神經(jīng)網(wǎng)絡(luò),這使得模型容易發(fā)生過(guò)擬合,影響模型的泛化性能,并且為了減少參數(shù)量進(jìn)行了通道降維,這對(duì)于特征的深層次融合和細(xì)節(jié)保留是致命的。最近Wang等提出了高效通道注意力(efficient channel attention,ECA)模塊,使用一維卷積作為激勵(lì)函數(shù),極大地緩解了以上問(wèn)題。因此使用ECA 模塊構(gòu)建了特征聚合模塊。

    如圖3所示,將展開(kāi)為[,,…,x],其中x∈R是的第層(-th)特征圖,是通道總數(shù)。首先,對(duì)每個(gè)x使用全局平均池化得到通道級(jí)特征向量∈R。之后,使用卷積核大小為的一維卷積來(lái)捕獲通道級(jí)依賴,的取值見(jiàn)式(2)。

    圖3 高效通道注意力模塊Fig.3 Efficient channel attention module

    其中,||表示距離最近的奇數(shù),設(shè)置和分別為2 和1。通過(guò)非線性映射,高維通道具有更大范圍的相互作用,而低維通道具有更小范圍的相互作用。

    然后通過(guò)使用Sigmoid 運(yùn)算,對(duì)經(jīng)過(guò)編碼的通道級(jí)特征向量進(jìn)行歸一化操作,將其映射到[0,1]。

    其中,指的是注意力模塊的參數(shù);指的是一維卷積運(yùn)算;指的是Sigmoid 運(yùn)算。

    然后對(duì)得到的融合增強(qiáng)特征進(jìn)行3 組卷積操作得到最終的顯著預(yù)測(cè)圖,卷積核個(gè)數(shù)分別為256、64、32,每組卷積同樣依次由卷積層、批歸一化層、激活函數(shù)層組成。

    CA 模塊所使用的激勵(lì)函數(shù)為全連接網(wǎng)絡(luò)。

    1.3 損失函數(shù)

    整體損失函數(shù)被定義為:

    其中,?指的是第層的輸出,指的是總輸出的個(gè)數(shù),α指的是每個(gè)損失的權(quán)值,全部設(shè)置為1。該模型有8 個(gè)輸出,即=8,包括7 個(gè)預(yù)測(cè)模塊輸出和1 個(gè)增強(qiáng)模塊輸出。

    定義?為混合損失:

    BCE 損失是二值分類和分割中使用最廣泛的損失:

    其中,(,)∈{0,1}是像素(,) 真實(shí)圖中的像素值,(,)∈[0,1]是顯著性目標(biāo)像素的預(yù)測(cè)概率。

    SSIM 損失起初是針對(duì)圖像質(zhì)量評(píng)價(jià)提出的方法,它可以捕捉到圖像的結(jié)構(gòu)信息,因此現(xiàn)在已經(jīng)被整合到訓(xùn)練損失中去學(xué)習(xí)圖像真實(shí)圖中的結(jié)構(gòu)信息。

    定義={x:=1,2,…,},={y:=1,2,…,}分別為顯著性預(yù)測(cè)圖和二進(jìn)制真實(shí)圖裁剪出的大小為×的圖片的像素值。

    SSIM 損失被定義為:

    其中,μ、μσ、σ分別是、的均值和標(biāo)準(zhǔn)差,σ是它們的協(xié)方差,為了防止分母為0,設(shè)置=0.01和=0.03。

    BCE 損失函數(shù)是像素級(jí)的損失函數(shù),不考慮鄰域的像素值,對(duì)所有像素的權(quán)重相等,有助于在所有像素上收斂,但是容易導(dǎo)致特征缺失和區(qū)域一致性差的問(wèn)題。IOU 損失函數(shù)是區(qū)域級(jí)的損失函數(shù),考慮的是各個(gè)區(qū)域的像素值,因此可以增強(qiáng)各個(gè)區(qū)域的像素一致性,但是IOU 損失函數(shù)對(duì)前景和背景區(qū)域的權(quán)重相同,同樣容易導(dǎo)致特征缺失問(wèn)題。因此,為了增強(qiáng)區(qū)域內(nèi)像素的一致性,緩解特征缺失,基于IOU 損失函數(shù),本文提出一種新的損失函數(shù)——區(qū)域增強(qiáng)損失(RA):

    其中,||、||、||分別表示真陽(yáng)性、假陽(yáng)性和假陰性區(qū)域像素值的和,、和分別用于控制||、||和||的懲罰程度,+=1。(,)∈{0,1}是像素值(,)的真實(shí)圖標(biāo)簽,(,)∈[0,1]是顯著性目標(biāo)的預(yù)測(cè)概率。當(dāng)===1,該損失退化為IOU 損失。通過(guò)增大,調(diào)整大于,RA 損失函數(shù)可以控制不同區(qū)域的懲罰程度,減少顯著圖的前景缺失。

    2 實(shí)驗(yàn)與分析

    2.1 數(shù)據(jù)集

    為了評(píng)估本文算法的有效性,在5 個(gè)數(shù)據(jù)集ECSSD、DUT-OMRON、HKU-IS、DUTS、SOD 上評(píng)估了本文的算法。ECSSD 包含1 000 張有著不同尺寸目標(biāo)的復(fù)雜圖片。DUT-OMRON 是一個(gè)包含5 168張圖片的有挑戰(zhàn)性的數(shù)據(jù)集,每張圖片中有一個(gè)或兩個(gè)對(duì)象,大多數(shù)前景對(duì)象在結(jié)構(gòu)上很復(fù)雜。HKUIS 包含4 447 張圖片,每張圖片包含多個(gè)顯著性物體,這些物體的色彩對(duì)比度低且與圖像邊界存在重疊現(xiàn)象。DUTS 是目前最大的顯著性檢測(cè)基準(zhǔn)數(shù)據(jù)集,它包含10 553 張訓(xùn)練圖片(DUTS-TR)和5 019 張測(cè)試圖片(DUTS-TE)。SOD 包含300 張圖片,最初用于分割領(lǐng)域,這些圖片大多數(shù)包含多個(gè)顯著性對(duì)象。

    2.2 實(shí)現(xiàn)細(xì)節(jié)

    本文選擇Pytorch0.4.0 深度學(xué)習(xí)框架來(lái)實(shí)現(xiàn)顯著性目標(biāo)檢測(cè)網(wǎng)絡(luò)。全部輸入圖片的大小被調(diào)整為256×256,然后隨機(jī)裁剪為224×224。為了提高模型的泛化性能,使用的數(shù)據(jù)增強(qiáng)手段有:隨機(jī)裁剪、水平翻轉(zhuǎn)。使用ResNet-34 初始化部分網(wǎng)絡(luò)參數(shù),其余參數(shù)使用Xavier 方法初始化。使用Adam 優(yōu)化器來(lái)訓(xùn)練網(wǎng)絡(luò),超參數(shù)設(shè)置使用默認(rèn)值,其中批次大小為16,學(xué)習(xí)率為0.001,為0.9,為0.999,正則化系數(shù)為0。在不使用驗(yàn)證集的情況下訓(xùn)練網(wǎng)絡(luò),訓(xùn)練損失函數(shù)在500 次迭代后收斂。在測(cè)試過(guò)程中,輸入圖像的大小將調(diào)整為256 × 256 獲得其顯著圖。然后,將其調(diào)整為輸入的原始大小輸出。訓(xùn)練該網(wǎng)絡(luò)使用的設(shè)備為E5-2678v3 和NVIDIA GTX 1080Ti GPU×4。

    2.3 評(píng)價(jià)指標(biāo)

    本文使用三種最常用的指標(biāo)來(lái)評(píng)價(jià)本文算法:準(zhǔn)確率-召回率曲線(precision-recall curve,PR)、MAE(mean absolute error)、F-measure(F)。

    準(zhǔn)確率-召回率曲線:首先二值化固定閾值的灰度預(yù)測(cè)圖,然后生成的二值圖和真實(shí)圖用于計(jì)算準(zhǔn)確率和召回率,準(zhǔn)確率與召回率計(jì)算方式為:

    其中,、和分別代表真陽(yáng)性、假陽(yáng)性和假陰性。準(zhǔn)確率-召回率曲線通過(guò)一組成對(duì)的準(zhǔn)確率、召回率按照閾值從0~255 繪制生成,準(zhǔn)確率-召回率曲線與坐標(biāo)軸圍成的面積越大,性能越好。

    F-measure:F由準(zhǔn)確率和召回率加權(quán)平均生成。

    為了強(qiáng)調(diào)準(zhǔn)確率的重要性,其中通常被設(shè)置為0.3。

    MAE:計(jì)算歸一化的顯著圖和真實(shí)圖之間的平均絕對(duì)誤差。

    其中,和分別指的是顯著圖和對(duì)應(yīng)的真實(shí)圖,和分別表示顯著圖的高和寬,(,)指的是對(duì)應(yīng)的像素值。

    2.4 消融實(shí)驗(yàn)

    本節(jié)逐步分解所提出的方法來(lái)揭示每個(gè)組件對(duì)顯著圖的貢獻(xiàn)。本節(jié)所有實(shí)驗(yàn)均在DUT-OMRON 數(shù)據(jù)集上進(jìn)行。

    為了驗(yàn)證本文提出的區(qū)域增強(qiáng)網(wǎng)絡(luò)的有效性,本文進(jìn)行了相關(guān)的結(jié)構(gòu)消融實(shí)驗(yàn),表1 列出了基線網(wǎng)絡(luò)U-Net、預(yù)測(cè)模塊和增強(qiáng)模塊的定量比較結(jié)果。如表1 所示,本文提出的預(yù)測(cè)模塊在max F(數(shù)值越大越好)和MAE(數(shù)值越小越好)這兩個(gè)指標(biāo)上分別比基線網(wǎng)絡(luò)提升0.042、0.021。本文提出的區(qū)域增強(qiáng)網(wǎng)絡(luò),在max F和MAE 這兩個(gè)指標(biāo)上與預(yù)測(cè)模塊相比分別提升了0.019、0.011。為了展現(xiàn)添加不同模塊產(chǎn)生的實(shí)際效果,本文進(jìn)行了更精細(xì)的視覺(jué)比較。如圖4 所示,未加入SAM 模塊的預(yù)測(cè)模塊產(chǎn)生的顯著圖部分與整體存在割裂,加入了SAM 的預(yù)測(cè)模塊能夠初步進(jìn)行空間上下文整合,但是仍然存在特征缺失,當(dāng)加入增強(qiáng)模塊對(duì)預(yù)測(cè)模塊產(chǎn)生的特征圖進(jìn)行增強(qiáng)后,整個(gè)顯著圖變得完整。此外,實(shí)驗(yàn)過(guò)程中嘗試使用CA 模塊搭建增強(qiáng)模塊,沒(méi)有成功。如表1所示,ECA 模塊在使用較少參數(shù)量的情況下取得的結(jié)果優(yōu)于CA 模塊。

    表1 算法使用不同模塊性能比較Table 1 Performance comparison of different modules in algorithm

    圖4 不同模塊顯著性檢測(cè)結(jié)果比較Fig.4 Comparison of saliency detection results of different modules

    為了證明混合損失的有效性,基于區(qū)域增強(qiáng)網(wǎng)絡(luò),對(duì)不同的損失進(jìn)行了消融實(shí)驗(yàn)。表2 中的結(jié)果表明,使用混合損失?的網(wǎng)絡(luò)在max F和MAE 這兩個(gè)指標(biāo)上與使用?損失相比分別提升了0.014、0.012。如圖5 所示,與使用?損失相比,使用?損失有助于約束前景和背景的像素值,產(chǎn)生的顯著圖不易出現(xiàn)大面積的模糊現(xiàn)象。相比使用?損失,使用?損失產(chǎn)生的顯著圖更完整,區(qū)域一致性更好。

    表2 算法使用不同損失的性能比較Table 2 Performance comparison of different losses in algorithm

    圖5 不同損失顯著性檢測(cè)結(jié)果比較Fig.5 Comparison of saliency detection results of different losses

    為了確定RA 損失的最佳參數(shù)選擇,基于區(qū)域增強(qiáng)網(wǎng)絡(luò),采用不同的系數(shù)進(jìn)行了實(shí)驗(yàn)。如表3 所示,當(dāng)=0.3,=0.7,=2.0 時(shí),max F與MAE 取得優(yōu)值,相較于IOU 損失(=1.0,=1.0,=1.0)分別提升1.1%、0.9%。

    表3 算法使用不同系數(shù)RA 損失的性能比較Table 3 Performance comparison of RA loss with different coefficients in algorithm

    2.5 性能比較

    實(shí)驗(yàn)過(guò)程中與其他9 種先進(jìn)算法CapsNet、RAS、Amulet、NLDF、UCF、RFCN、ELD、DCL、LEGS進(jìn)行比較。為了體現(xiàn)公平性,評(píng)測(cè)結(jié)果來(lái)自原始論文或者原作者提供的顯著圖。

    圖6 為本文算法與其他顯著性目標(biāo)檢測(cè)算法在PR 曲線與F-measure 曲線上的比較結(jié)果。表4 列出了本文算法與其他9 種先進(jìn)算法的max F和MAE 性能指標(biāo)比較結(jié)果。

    表4 在5 個(gè)數(shù)據(jù)集上不同算法性能比較Table 4 Performance comparison of different algorithms on 5 datasets

    圖6 不同算法的PR 曲線與F-measure曲線比較Fig.6 Comparison of PR curves and F-measure curves of different algorithms

    從結(jié)果可以看出,本文算法顯著優(yōu)于其他算法。具體的,對(duì)于評(píng)價(jià)指標(biāo)max F,本文算法比CapsNet、RAS 和Amulet 在5 個(gè)數(shù)據(jù)集上平均分別提高了0.066 0、0.017 8、0.050 2。對(duì)于評(píng)價(jià)指標(biāo)MAE,本文算法比CapsNet、RAS 和Amulet 在5 個(gè)數(shù)據(jù)集上平均分別降低了0.008 0、0.014 8、0.032 2。

    顯著性目標(biāo)檢測(cè)的研究來(lái)源于對(duì)人類視覺(jué)系統(tǒng)的模擬,檢測(cè)結(jié)果的優(yōu)劣依賴于視覺(jué)觀感。因此為了進(jìn)一步闡述本文算法的優(yōu)越性,圖7 展示了本文算法與5 種先進(jìn)算法的定性比較結(jié)果。

    圖7 第一行具有小目標(biāo)的自然圖像檢測(cè)結(jié)果顯示,本文算法能夠完整地分割出圖像中的小目標(biāo),并且相比其他算法背景的像素更一致;第二、三行具有大目標(biāo)的圖像檢測(cè)結(jié)果顯示本文算法能更加完備地檢測(cè)出航母艦島和城堡頂部的細(xì)節(jié);第四行低對(duì)比度圖像檢測(cè)結(jié)果顯示本文算法能夠更好地整合圖像全局信息,不會(huì)漏檢顯著性物體;第五行具有復(fù)雜邊緣的圖像檢測(cè)結(jié)果顯示本文算法能夠更好地提取圖像細(xì)節(jié)信息,產(chǎn)生的顯著圖邊緣細(xì)節(jié)更豐富;第六、七行具有多目標(biāo)粘連的圖像檢測(cè)結(jié)果顯示本文算法能夠更好地凸出前景和增強(qiáng)區(qū)域一致性。

    圖7 不同算法的顯著性目標(biāo)檢測(cè)結(jié)果對(duì)比Fig.7 Comparison of saliency detection results of different algorithms

    綜合來(lái)看,本文算法能夠充分凸顯前景并且抑制背景。通過(guò)本文算法可以保持前景的區(qū)域像素一致,其內(nèi)部不會(huì)有較大的灰色區(qū)域,與顯著性物體相似的背景被充分抑制,顯著性物體的邊緣不會(huì)出現(xiàn)大量的模糊現(xiàn)象。

    3 結(jié)論

    本文針對(duì)顯著性目標(biāo)檢測(cè)中的特征缺失和區(qū)域一致性差的問(wèn)題,基于全卷積神經(jīng)網(wǎng)絡(luò)提出一種特征混合增強(qiáng)與多損失融合的顯著性目標(biāo)檢測(cè)算法。通過(guò)使用編碼器-解碼器網(wǎng)絡(luò)初步捕獲高層全局信息和低層細(xì)節(jié)信息,然后使用空間感知模塊進(jìn)一步捕獲全局語(yǔ)義信息,最后使用特征混合增強(qiáng)模塊將預(yù)測(cè)模塊提取的特征信息做增強(qiáng)處理。同時(shí)提出了區(qū)域增強(qiáng)損失函數(shù),通過(guò)結(jié)合二進(jìn)制交叉熵?fù)p失函數(shù)和結(jié)構(gòu)化相似度損失函數(shù),以多損失融合的方式監(jiān)督網(wǎng)絡(luò)保持前景區(qū)域的完整性以及增強(qiáng)區(qū)域像素一致性。與其他的基于深度學(xué)習(xí)的顯著性目標(biāo)檢測(cè)算法相比,顯著目標(biāo)的邊界細(xì)節(jié)、前景完整度和區(qū)域一致性有明顯的改善,各項(xiàng)指標(biāo)有較大的提升。

    猜你喜歡
    特征檢測(cè)信息
    “不等式”檢測(cè)題
    “一元一次不等式”檢測(cè)題
    “一元一次不等式組”檢測(cè)題
    如何表達(dá)“特征”
    不忠誠(chéng)的四個(gè)特征
    抓住特征巧觀察
    訂閱信息
    中華手工(2017年2期)2017-06-06 23:00:31
    小波變換在PCB缺陷檢測(cè)中的應(yīng)用
    展會(huì)信息
    線性代數(shù)的應(yīng)用特征
    河南科技(2014年23期)2014-02-27 14:19:15
    男女午夜视频在线观看| 男女床上黄色一级片免费看| 亚洲人成77777在线视频| 欧美乱妇无乱码| 亚洲男人的天堂狠狠| 国产亚洲精品综合一区在线观看 | 日本 av在线| 免费观看人在逋| 三级毛片av免费| 精品久久久久久久久久免费视频| 日本黄色视频三级网站网址| 亚洲精品色激情综合| 人成视频在线观看免费观看| 成人三级做爰电影| 成人国产综合亚洲| 久热这里只有精品99| 黄频高清免费视频| 狂野欧美激情性xxxx| 亚洲av成人一区二区三| 日本五十路高清| 亚洲中文av在线| 欧美成狂野欧美在线观看| 成人18禁在线播放| 亚洲专区国产一区二区| 国产91精品成人一区二区三区| 欧美日韩乱码在线| 亚洲av电影不卡..在线观看| 国产精品一区二区精品视频观看| 国产精品久久久人人做人人爽| 美女高潮喷水抽搐中文字幕| 哪里可以看免费的av片| 丰满的人妻完整版| 亚洲精品av麻豆狂野| 国产亚洲欧美精品永久| 天堂影院成人在线观看| 啦啦啦韩国在线观看视频| 一本综合久久免费| 国语自产精品视频在线第100页| 动漫黄色视频在线观看| 久久久久亚洲av毛片大全| 天天躁狠狠躁夜夜躁狠狠躁| 1024香蕉在线观看| 成人免费观看视频高清| av视频在线观看入口| 午夜福利视频1000在线观看| bbb黄色大片| 精品午夜福利视频在线观看一区| 欧美大码av| 色综合婷婷激情| 成人国产综合亚洲| 悠悠久久av| 国产在线观看jvid| 久久99热这里只有精品18| 久久久久久人人人人人| 此物有八面人人有两片| 黄网站色视频无遮挡免费观看| 国产野战对白在线观看| 国产又爽黄色视频| 两个人免费观看高清视频| 日本 av在线| 欧美黑人欧美精品刺激| 国产黄a三级三级三级人| 黄色视频,在线免费观看| cao死你这个sao货| 99riav亚洲国产免费| 99在线视频只有这里精品首页| 最新在线观看一区二区三区| 日韩一卡2卡3卡4卡2021年| 在线观看日韩欧美| xxxwww97欧美| 午夜福利成人在线免费观看| 成人精品一区二区免费| 国产精品国产高清国产av| av在线播放免费不卡| 亚洲aⅴ乱码一区二区在线播放 | 中文字幕久久专区| 国产99白浆流出| 88av欧美| 热99re8久久精品国产| 色综合婷婷激情| 2021天堂中文幕一二区在线观 | 欧美日韩精品网址| 宅男免费午夜| 成人手机av| 国产片内射在线| 午夜两性在线视频| videosex国产| 亚洲avbb在线观看| 国产99白浆流出| 变态另类丝袜制服| 欧美色欧美亚洲另类二区| 国产伦在线观看视频一区| 成人三级黄色视频| 免费搜索国产男女视频| 国产视频内射| 中文在线观看免费www的网站 | 亚洲欧洲精品一区二区精品久久久| 亚洲第一电影网av| 国产精品一区二区免费欧美| 成人18禁高潮啪啪吃奶动态图| 此物有八面人人有两片| 国产av一区二区精品久久| 成人免费观看视频高清| 欧美黑人巨大hd| aaaaa片日本免费| 亚洲人成网站高清观看| 久久久久久久久中文| 亚洲欧美精品综合一区二区三区| 国产亚洲精品综合一区在线观看 | 国产一级毛片七仙女欲春2 | 麻豆一二三区av精品| 少妇 在线观看| 国产不卡一卡二| 欧美激情极品国产一区二区三区| 精品久久蜜臀av无| 精品一区二区三区视频在线观看免费| 黄色视频,在线免费观看| 免费看日本二区| 天天一区二区日本电影三级| 88av欧美| xxxwww97欧美| 婷婷亚洲欧美| 国产黄a三级三级三级人| 免费在线观看亚洲国产| 亚洲五月色婷婷综合| 日本精品一区二区三区蜜桃| 三级毛片av免费| 一本大道久久a久久精品| 国产精品香港三级国产av潘金莲| 麻豆国产av国片精品| 精品久久久久久久人妻蜜臀av| 亚洲美女黄片视频| 青草久久国产| 国产伦一二天堂av在线观看| 午夜免费观看网址| 桃色一区二区三区在线观看| 又黄又爽又免费观看的视频| 中文字幕人妻丝袜一区二区| 亚洲一区高清亚洲精品| 日本黄色视频三级网站网址| 精品国产乱码久久久久久男人| 一卡2卡三卡四卡精品乱码亚洲| 久久国产精品影院| 一个人免费在线观看的高清视频| √禁漫天堂资源中文www| 精品国产超薄肉色丝袜足j| 国产一区二区激情短视频| 97超级碰碰碰精品色视频在线观看| 欧美 亚洲 国产 日韩一| 午夜福利欧美成人| 麻豆成人午夜福利视频| 不卡av一区二区三区| 久久精品国产亚洲av香蕉五月| 亚洲精华国产精华精| 99久久综合精品五月天人人| tocl精华| 欧美午夜高清在线| 露出奶头的视频| 日韩av在线大香蕉| 国产成人一区二区三区免费视频网站| 成人欧美大片| ponron亚洲| 视频区欧美日本亚洲| 视频在线观看一区二区三区| 午夜激情福利司机影院| e午夜精品久久久久久久| 一卡2卡三卡四卡精品乱码亚洲| 国产片内射在线| 久久久久久久久中文| 国产亚洲精品第一综合不卡| 日韩三级视频一区二区三区| 成人手机av| 国产高清videossex| 精品国内亚洲2022精品成人| 亚洲 欧美 日韩 在线 免费| 久久精品国产清高在天天线| 琪琪午夜伦伦电影理论片6080| 自线自在国产av| 亚洲久久久国产精品| 欧美成人一区二区免费高清观看 | 精品国产一区二区三区四区第35| 国产一区二区三区在线臀色熟女| 黄片大片在线免费观看| 中文字幕另类日韩欧美亚洲嫩草| 亚洲激情在线av| 久久精品国产清高在天天线| 99精品久久久久人妻精品| 亚洲欧洲精品一区二区精品久久久| 国产亚洲精品综合一区在线观看 | 男女那种视频在线观看| 99国产精品99久久久久| 国语自产精品视频在线第100页| 久久久国产欧美日韩av| 老汉色av国产亚洲站长工具| 在线观看午夜福利视频| 国产成人啪精品午夜网站| 美国免费a级毛片| 一进一出抽搐gif免费好疼| 免费在线观看完整版高清| 日本 欧美在线| 欧美中文综合在线视频| 欧美精品亚洲一区二区| 啦啦啦免费观看视频1| 搡老妇女老女人老熟妇| 国产亚洲欧美98| 国产亚洲精品av在线| 男女午夜视频在线观看| av在线天堂中文字幕| 女生性感内裤真人,穿戴方法视频| 国产三级在线视频| 十八禁网站免费在线| 午夜福利视频1000在线观看| 日韩欧美国产在线观看| 欧美性长视频在线观看| 午夜免费成人在线视频| 在线天堂中文资源库| 成人手机av| 亚洲在线自拍视频| 精品一区二区三区视频在线观看免费| 国产欧美日韩一区二区三| 欧美zozozo另类| 91在线观看av| 亚洲av成人不卡在线观看播放网| 亚洲av日韩精品久久久久久密| 精品无人区乱码1区二区| 国产成人av激情在线播放| 亚洲精品在线观看二区| 久久午夜亚洲精品久久| 国产黄片美女视频| 亚洲av日韩精品久久久久久密| 欧洲精品卡2卡3卡4卡5卡区| 大型黄色视频在线免费观看| 亚洲成av人片免费观看| 国产黄片美女视频| 亚洲av第一区精品v没综合| 精品国产乱子伦一区二区三区| 99re在线观看精品视频| 亚洲成a人片在线一区二区| 亚洲熟女毛片儿| av在线天堂中文字幕| 男女那种视频在线观看| 搡老岳熟女国产| av福利片在线| 成人特级黄色片久久久久久久| 久久人妻福利社区极品人妻图片| 国产激情偷乱视频一区二区| 亚洲久久久国产精品| 欧美日韩亚洲国产一区二区在线观看| 99国产极品粉嫩在线观看| 这个男人来自地球电影免费观看| 国产精品国产高清国产av| 视频区欧美日本亚洲| 国产人伦9x9x在线观看| 男女下面进入的视频免费午夜 | 麻豆一二三区av精品| 国产欧美日韩一区二区三| 亚洲一区高清亚洲精品| 国产精品影院久久| 国产真实乱freesex| 黄色成人免费大全| av视频在线观看入口| 一区二区三区国产精品乱码| 一二三四社区在线视频社区8| 99热这里只有精品一区 | 中文字幕久久专区| 欧美黄色片欧美黄色片| 国内久久婷婷六月综合欲色啪| 午夜影院日韩av| 欧美色视频一区免费| 欧美日韩精品网址| 亚洲av熟女| 亚洲av成人一区二区三| 国产成年人精品一区二区| 国产亚洲欧美精品永久| 91老司机精品| 国产欧美日韩一区二区三| 国产麻豆成人av免费视频| 无限看片的www在线观看| 国产亚洲精品久久久久久毛片| 国产成+人综合+亚洲专区| 日韩精品青青久久久久久| 欧美性猛交╳xxx乱大交人| 国产成人av教育| 亚洲午夜理论影院| 亚洲全国av大片| 免费女性裸体啪啪无遮挡网站| 99精品在免费线老司机午夜| 美女高潮喷水抽搐中文字幕| 久久午夜综合久久蜜桃| 亚洲激情在线av| 成熟少妇高潮喷水视频| 18禁黄网站禁片免费观看直播| 国产极品粉嫩免费观看在线| 老熟妇仑乱视频hdxx| 午夜免费激情av| 久久久久国产精品人妻aⅴ院| 91成年电影在线观看| 亚洲在线自拍视频| 国产精品,欧美在线| 一卡2卡三卡四卡精品乱码亚洲| 人人妻人人澡欧美一区二区| 亚洲人成伊人成综合网2020| 韩国精品一区二区三区| 热99re8久久精品国产| 色哟哟哟哟哟哟| 久久久久国内视频| 在线十欧美十亚洲十日本专区| 国产一区二区三区在线臀色熟女| 久久久久久久久中文| 长腿黑丝高跟| 精品第一国产精品| 丰满的人妻完整版| 日本三级黄在线观看| 巨乳人妻的诱惑在线观看| 人人妻人人澡人人看| 999久久久精品免费观看国产| 欧美在线一区亚洲| 女性被躁到高潮视频| 欧美日韩亚洲综合一区二区三区_| 两个人看的免费小视频| 日本免费一区二区三区高清不卡| 高清毛片免费观看视频网站| 亚洲电影在线观看av| 中亚洲国语对白在线视频| 国产精品乱码一区二三区的特点| 亚洲欧美一区二区三区黑人| 国产亚洲精品一区二区www| 亚洲av日韩精品久久久久久密| 国内精品久久久久精免费| 亚洲第一青青草原| 日本一本二区三区精品| 亚洲av美国av| 久久人妻av系列| 国产精品久久久久久精品电影 | 97人妻精品一区二区三区麻豆 | 午夜视频精品福利| 免费在线观看黄色视频的| 亚洲精品中文字幕在线视频| 一本一本综合久久| 色哟哟哟哟哟哟| 禁无遮挡网站| 丝袜在线中文字幕| 亚洲成人久久爱视频| 悠悠久久av| 香蕉国产在线看| 中文亚洲av片在线观看爽| av超薄肉色丝袜交足视频| 国产精品国产高清国产av| 国产高清有码在线观看视频 | 在线观看www视频免费| 18禁裸乳无遮挡免费网站照片 | 亚洲成人精品中文字幕电影| av欧美777| 久久精品国产亚洲av香蕉五月| 一边摸一边抽搐一进一小说| 黄片播放在线免费| 国产欧美日韩精品亚洲av| 黑人欧美特级aaaaaa片| 天堂动漫精品| 国产1区2区3区精品| 在线免费观看的www视频| 日本在线视频免费播放| 91麻豆精品激情在线观看国产| 高清在线国产一区| 亚洲男人天堂网一区| 精品第一国产精品| 国产av不卡久久| 淫妇啪啪啪对白视频| 天堂动漫精品| 一级毛片精品| 亚洲av电影在线进入| 黑人操中国人逼视频| 女性生殖器流出的白浆| 国产成人av激情在线播放| 99热只有精品国产| 成人欧美大片| 午夜福利免费观看在线| 国产伦一二天堂av在线观看| av视频在线观看入口| 亚洲午夜精品一区,二区,三区| 男女之事视频高清在线观看| 国产伦在线观看视频一区| 听说在线观看完整版免费高清| 色播在线永久视频| 少妇裸体淫交视频免费看高清 | 日本在线视频免费播放| 久久天堂一区二区三区四区| 国产精品一区二区免费欧美| 国产一区二区在线av高清观看| 国产精品电影一区二区三区| a级毛片a级免费在线| 国产亚洲精品av在线| 国内毛片毛片毛片毛片毛片| 日韩国内少妇激情av| 精品免费久久久久久久清纯| 欧美激情久久久久久爽电影| 一个人观看的视频www高清免费观看 | 午夜福利视频1000在线观看| 日韩免费av在线播放| 国产精品免费一区二区三区在线| 国产区一区二久久| www日本在线高清视频| 国产免费av片在线观看野外av| 18禁裸乳无遮挡免费网站照片 | 精品国产亚洲在线| 欧美成人性av电影在线观看| 日日夜夜操网爽| 欧美在线黄色| 久久这里只有精品19| 日韩中文字幕欧美一区二区| 日本免费a在线| 黄色毛片三级朝国网站| 丰满的人妻完整版| www国产在线视频色| 自线自在国产av| 大香蕉久久成人网| 欧美不卡视频在线免费观看 | 国产精品久久视频播放| 欧美国产精品va在线观看不卡| 极品教师在线免费播放| 免费一级毛片在线播放高清视频| 色综合亚洲欧美另类图片| 九色国产91popny在线| 一二三四社区在线视频社区8| 丁香六月欧美| 午夜亚洲福利在线播放| 日韩精品中文字幕看吧| 国产精华一区二区三区| 大型黄色视频在线免费观看| 狂野欧美激情性xxxx| 国产主播在线观看一区二区| 人人澡人人妻人| 啦啦啦 在线观看视频| 色综合婷婷激情| 免费女性裸体啪啪无遮挡网站| 老熟妇乱子伦视频在线观看| 亚洲人成77777在线视频| 国产精品一区二区免费欧美| 午夜福利免费观看在线| 亚洲国产精品合色在线| 久久久久国内视频| 国产精品综合久久久久久久免费| 欧美丝袜亚洲另类 | 日本免费一区二区三区高清不卡| 欧美黄色淫秽网站| 国产av一区二区精品久久| 国产精品一区二区免费欧美| 久久久久久久午夜电影| 两性午夜刺激爽爽歪歪视频在线观看 | 色精品久久人妻99蜜桃| 身体一侧抽搐| 免费在线观看成人毛片| 精品国产一区二区三区四区第35| 男女那种视频在线观看| 久久久精品欧美日韩精品| 岛国在线观看网站| 亚洲五月婷婷丁香| 自线自在国产av| 老司机午夜福利在线观看视频| 午夜福利一区二区在线看| 欧美一级a爱片免费观看看 | 国产单亲对白刺激| 国产精品久久久久久精品电影 | 一夜夜www| 日本成人三级电影网站| 别揉我奶头~嗯~啊~动态视频| 亚洲精品一区av在线观看| 亚洲av电影不卡..在线观看| 国产精品二区激情视频| 精品国产国语对白av| 国产成人精品久久二区二区91| 女同久久另类99精品国产91| 女警被强在线播放| 国产真人三级小视频在线观看| 欧美大码av| 女性生殖器流出的白浆| 亚洲一区中文字幕在线| 国产色视频综合| 婷婷精品国产亚洲av在线| 午夜福利成人在线免费观看| 亚洲国产欧洲综合997久久, | 狠狠狠狠99中文字幕| 在线观看免费视频日本深夜| 99久久国产精品久久久| 久久狼人影院| 中文字幕久久专区| 男女之事视频高清在线观看| 日本黄色视频三级网站网址| 欧美色欧美亚洲另类二区| 久久精品aⅴ一区二区三区四区| 高潮久久久久久久久久久不卡| 听说在线观看完整版免费高清| 国产乱人伦免费视频| 久9热在线精品视频| 国产亚洲精品第一综合不卡| 级片在线观看| 亚洲狠狠婷婷综合久久图片| 777久久人妻少妇嫩草av网站| 1024手机看黄色片| 一级a爱片免费观看的视频| 最新美女视频免费是黄的| 国产精品日韩av在线免费观看| 国产精品乱码一区二三区的特点| 久久九九热精品免费| 男女午夜视频在线观看| 十分钟在线观看高清视频www| 一级a爱片免费观看的视频| 特大巨黑吊av在线直播 | 亚洲第一av免费看| 国产成人影院久久av| 国产精品1区2区在线观看.| 亚洲aⅴ乱码一区二区在线播放 | 久久久久国产精品人妻aⅴ院| 两个人视频免费观看高清| 色婷婷久久久亚洲欧美| 18禁美女被吸乳视频| 少妇熟女aⅴ在线视频| 国产高清有码在线观看视频 | 欧美最黄视频在线播放免费| 老汉色av国产亚洲站长工具| 国产99久久九九免费精品| 啦啦啦 在线观看视频| 日日夜夜操网爽| 琪琪午夜伦伦电影理论片6080| 亚洲国产欧美网| 欧美性猛交╳xxx乱大交人| 亚洲专区字幕在线| 51午夜福利影视在线观看| 国产精品国产高清国产av| av超薄肉色丝袜交足视频| 一级黄色大片毛片| 18禁裸乳无遮挡免费网站照片 | 国产91精品成人一区二区三区| 亚洲人成网站高清观看| 日韩欧美免费精品| 久久香蕉精品热| 精品无人区乱码1区二区| 久久婷婷人人爽人人干人人爱| 精品高清国产在线一区| 亚洲国产欧美一区二区综合| 天天躁夜夜躁狠狠躁躁| 亚洲国产精品久久男人天堂| 91成年电影在线观看| 一级黄色大片毛片| e午夜精品久久久久久久| 在线免费观看的www视频| 一本大道久久a久久精品| 香蕉国产在线看| 久久国产精品男人的天堂亚洲| 国产99久久九九免费精品| 99国产精品一区二区蜜桃av| 999久久久国产精品视频| 日本三级黄在线观看| 亚洲av电影在线进入| 久久香蕉精品热| 首页视频小说图片口味搜索| 亚洲成av片中文字幕在线观看| 日本熟妇午夜| 欧美日韩一级在线毛片| 黄色女人牲交| 美国免费a级毛片| 91国产中文字幕| 久久国产精品男人的天堂亚洲| 可以在线观看毛片的网站| 母亲3免费完整高清在线观看| 日韩欧美国产一区二区入口| 最近最新中文字幕大全电影3 | 一区二区三区国产精品乱码| 成人午夜高清在线视频 | 午夜福利成人在线免费观看| 女性生殖器流出的白浆| 国产视频一区二区在线看| 欧美中文日本在线观看视频| 国产精品一区二区三区四区久久 | 亚洲无线在线观看| 日韩中文字幕欧美一区二区| 亚洲欧美精品综合久久99| 99在线人妻在线中文字幕| 曰老女人黄片| 免费在线观看成人毛片| 久久久久久久久久黄片| 亚洲国产精品合色在线| 三级毛片av免费| 欧美激情 高清一区二区三区| 色综合婷婷激情| 禁无遮挡网站| 在线观看一区二区三区| netflix在线观看网站| 久久九九热精品免费| 男人舔女人下体高潮全视频| 国产亚洲精品综合一区在线观看 | 怎么达到女性高潮| 一级片免费观看大全| 国产男靠女视频免费网站| 午夜免费鲁丝| 国产精品 国内视频| 色在线成人网| 国产精品电影一区二区三区| 久久久久国内视频| 精华霜和精华液先用哪个| 黄色毛片三级朝国网站| 一边摸一边抽搐一进一小说| 国产在线观看jvid| 精品高清国产在线一区| 大香蕉久久成人网| 男女下面进入的视频免费午夜 | 亚洲久久久国产精品| 白带黄色成豆腐渣| 国产区一区二久久| 亚洲精品国产精品久久久不卡| 一边摸一边做爽爽视频免费| 精品久久蜜臀av无| 欧美性猛交黑人性爽| 亚洲精品国产区一区二| 亚洲第一电影网av|