• <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
    www日本在线高清视频| 69av精品久久久久久| 免费在线观看日本一区| 亚洲一卡2卡3卡4卡5卡精品中文| 国内毛片毛片毛片毛片毛片| 99精国产麻豆久久婷婷| 久久国产精品大桥未久av| 俄罗斯特黄特色一大片| 中文字幕人妻丝袜制服| 亚洲视频免费观看视频| 在线永久观看黄色视频| 久热这里只有精品99| 美女高潮喷水抽搐中文字幕| 午夜福利乱码中文字幕| 日日夜夜操网爽| 午夜日韩欧美国产| 757午夜福利合集在线观看| 不卡av一区二区三区| 国产乱人伦免费视频| 国产精品国产高清国产av | 欧美激情久久久久久爽电影 | 中国美女看黄片| 欧美激情极品国产一区二区三区| 免费在线观看完整版高清| 丝瓜视频免费看黄片| ponron亚洲| 亚洲少妇的诱惑av| 欧美在线黄色| 高清视频免费观看一区二区| 巨乳人妻的诱惑在线观看| 日韩欧美一区二区三区在线观看 | 夜夜爽天天搞| 久久久久国内视频| 亚洲欧美一区二区三区黑人| cao死你这个sao货| 十八禁人妻一区二区| a在线观看视频网站| 成人黄色视频免费在线看| 视频区图区小说| 在线观看日韩欧美| 一进一出抽搐动态| 大型av网站在线播放| 超色免费av| 人人妻人人澡人人看| 操美女的视频在线观看| 操美女的视频在线观看| 一级片'在线观看视频| 国产亚洲欧美精品永久| www.熟女人妻精品国产| 91老司机精品| 高潮久久久久久久久久久不卡| 国产精品一区二区在线不卡| 精品少妇久久久久久888优播| 色尼玛亚洲综合影院| 啦啦啦在线免费观看视频4| 亚洲va日本ⅴa欧美va伊人久久| 在线观看舔阴道视频| 悠悠久久av| 日韩欧美三级三区| 欧美在线一区亚洲| 69精品国产乱码久久久| 十分钟在线观看高清视频www| 亚洲情色 制服丝袜| 美女福利国产在线| 免费在线观看视频国产中文字幕亚洲| 麻豆乱淫一区二区| 精品国产亚洲在线| 波多野结衣av一区二区av| 乱人伦中国视频| 亚洲av成人不卡在线观看播放网| 欧美黑人精品巨大| 一本一本久久a久久精品综合妖精| 国产欧美亚洲国产| 亚洲男人天堂网一区| 国产三级黄色录像| 欧美激情高清一区二区三区| 国产精品 国内视频| 欧美日韩乱码在线| 啦啦啦免费观看视频1| 一级a爱片免费观看的视频| 亚洲精品一二三| 大香蕉久久网| 久久精品人人爽人人爽视色| 天天操日日干夜夜撸| 一级,二级,三级黄色视频| 在线观看免费日韩欧美大片| 欧美黄色淫秽网站| 最新美女视频免费是黄的| 亚洲精品av麻豆狂野| 午夜91福利影院| 不卡av一区二区三区| 下体分泌物呈黄色| 超碰97精品在线观看| 亚洲精品在线观看二区| 国产又爽黄色视频| 亚洲精品美女久久av网站| 精品国产乱码久久久久久男人| 亚洲精华国产精华精| 一进一出抽搐动态| 麻豆av在线久日| 国产精品亚洲av一区麻豆| 91麻豆av在线| av一本久久久久| 一级毛片高清免费大全| 老熟妇乱子伦视频在线观看| 免费在线观看影片大全网站| 久热这里只有精品99| 日韩视频一区二区在线观看| 国产男女超爽视频在线观看| 亚洲一码二码三码区别大吗| 18禁美女被吸乳视频| 成人黄色视频免费在线看| 国产精品亚洲av一区麻豆| 精品第一国产精品| 黑人操中国人逼视频| 精品国产乱子伦一区二区三区| 欧美人与性动交α欧美软件| 亚洲色图av天堂| 精品一区二区三区视频在线观看免费 | 国产精品国产av在线观看| 欧美激情极品国产一区二区三区| 精品福利永久在线观看| 成人手机av| 久久精品国产99精品国产亚洲性色 | 欧美日韩国产mv在线观看视频| 在线观看免费视频日本深夜| 日本五十路高清| 亚洲,欧美精品.| 亚洲男人天堂网一区| 午夜精品在线福利| 不卡av一区二区三区| 亚洲全国av大片| 捣出白浆h1v1| 电影成人av| 免费观看a级毛片全部| 免费久久久久久久精品成人欧美视频| 成人精品一区二区免费| 麻豆乱淫一区二区| 丝瓜视频免费看黄片| 91麻豆精品激情在线观看国产 | 一级,二级,三级黄色视频| 美女 人体艺术 gogo| 老司机福利观看| 亚洲 欧美一区二区三区| 久久久久精品国产欧美久久久| 午夜福利影视在线免费观看| 亚洲五月天丁香| 天堂√8在线中文| 亚洲一区二区三区欧美精品| 老司机福利观看| √禁漫天堂资源中文www| 怎么达到女性高潮| 亚洲国产中文字幕在线视频| 免费观看精品视频网站| 日日爽夜夜爽网站| 亚洲国产精品合色在线| 男女午夜视频在线观看| 日韩欧美一区视频在线观看| 久久中文字幕一级| 久久午夜亚洲精品久久| 女人被狂操c到高潮| 最近最新中文字幕大全电影3 | 十分钟在线观看高清视频www| 欧美最黄视频在线播放免费 | 看黄色毛片网站| 国产又爽黄色视频| 一级作爱视频免费观看| 岛国在线观看网站| 欧美黄色片欧美黄色片| 中文字幕色久视频| 黄色 视频免费看| 欧美激情高清一区二区三区| 国产精品一区二区在线不卡| 欧美av亚洲av综合av国产av| 国产欧美日韩一区二区精品| 看黄色毛片网站| 成年动漫av网址| 波多野结衣一区麻豆| 国产在视频线精品| 亚洲男人天堂网一区| 99热网站在线观看| 国产亚洲av高清不卡| 女性生殖器流出的白浆| 精品欧美一区二区三区在线| 999久久久国产精品视频| 天堂中文最新版在线下载| av天堂久久9| 纯流量卡能插随身wifi吗| 日本a在线网址| 国产日韩一区二区三区精品不卡| 国产又爽黄色视频| 在线观看日韩欧美| 国产精品亚洲一级av第二区| 日韩视频一区二区在线观看| 人妻丰满熟妇av一区二区三区 | 亚洲精品自拍成人| 老司机深夜福利视频在线观看| 热99久久久久精品小说推荐| 久久精品国产99精品国产亚洲性色 | 国产欧美日韩一区二区精品| av免费在线观看网站| 国产一区二区激情短视频| 一级片'在线观看视频| 久久久久久免费高清国产稀缺| 国产欧美亚洲国产| av一本久久久久| 日韩制服丝袜自拍偷拍| 在线观看免费日韩欧美大片| 久久精品亚洲熟妇少妇任你| 日本黄色日本黄色录像| 黑人猛操日本美女一级片| 久久久久久人人人人人| 国产成人精品无人区| 国精品久久久久久国模美| 美女午夜性视频免费| 国产欧美日韩一区二区精品| 亚洲欧美日韩另类电影网站| 精品久久久久久久毛片微露脸| www.熟女人妻精品国产| 91成人精品电影| 最新的欧美精品一区二区| 看片在线看免费视频| 国产精品香港三级国产av潘金莲| av片东京热男人的天堂| 每晚都被弄得嗷嗷叫到高潮| 日韩大码丰满熟妇| 欧美激情久久久久久爽电影 | 欧美日韩一级在线毛片| 国产精品免费视频内射| 亚洲av日韩在线播放| 欧美大码av| 新久久久久国产一级毛片| 黄片大片在线免费观看| 老司机深夜福利视频在线观看| 亚洲av成人av| 日韩欧美在线二视频 | www.精华液| 精品电影一区二区在线| 老鸭窝网址在线观看| 色播在线永久视频| 在线天堂中文资源库| 日韩欧美在线二视频 | 高清在线国产一区| videos熟女内射| 欧美乱妇无乱码| 欧美 亚洲 国产 日韩一| 高清视频免费观看一区二区| 国产人伦9x9x在线观看| 国产主播在线观看一区二区| 久久久久视频综合| 精品人妻1区二区| 麻豆av在线久日| 国产成+人综合+亚洲专区| 亚洲精品美女久久久久99蜜臀| 免费久久久久久久精品成人欧美视频| 国产一区有黄有色的免费视频| 制服诱惑二区| av免费在线观看网站| 久久中文字幕人妻熟女| 亚洲中文日韩欧美视频| 成年人免费黄色播放视频| svipshipincom国产片| 国产野战对白在线观看| 美女 人体艺术 gogo| 日韩中文字幕欧美一区二区| a级毛片在线看网站| 欧美乱码精品一区二区三区| 亚洲av电影在线进入| 黄片播放在线免费| 国产一卡二卡三卡精品| 欧美国产精品一级二级三级| avwww免费| 两人在一起打扑克的视频| 国产精品久久久久久精品古装| 久久亚洲真实| 9热在线视频观看99| 俄罗斯特黄特色一大片| 色播在线永久视频| 欧美日韩中文字幕国产精品一区二区三区 | 国产精品二区激情视频| 久久ye,这里只有精品| 亚洲欧美色中文字幕在线| 18禁黄网站禁片午夜丰满| 黄网站色视频无遮挡免费观看| 国产成人精品久久二区二区91| 亚洲av片天天在线观看| 欧美日韩中文字幕国产精品一区二区三区 | av有码第一页| 黑人欧美特级aaaaaa片| 一进一出好大好爽视频| 丰满人妻熟妇乱又伦精品不卡| 村上凉子中文字幕在线| aaaaa片日本免费| 国产一区二区三区视频了| 亚洲av欧美aⅴ国产| 天天躁日日躁夜夜躁夜夜| 亚洲av成人av| 看免费av毛片| 捣出白浆h1v1| 国产99久久九九免费精品| 国产蜜桃级精品一区二区三区 | 99热只有精品国产| 在线播放国产精品三级| 久久亚洲精品不卡| 亚洲第一欧美日韩一区二区三区| 亚洲国产精品sss在线观看 | 久久国产精品人妻蜜桃| 久久精品国产清高在天天线| 国产人伦9x9x在线观看| 国产不卡av网站在线观看| 大片电影免费在线观看免费| 午夜福利欧美成人| 熟女少妇亚洲综合色aaa.| 日本五十路高清| 国产极品粉嫩免费观看在线| 18禁观看日本| 国产成人av教育| 美女视频免费永久观看网站| a在线观看视频网站| 精品福利观看| 天天操日日干夜夜撸| 99国产精品一区二区三区| 免费高清在线观看日韩| netflix在线观看网站| 久久香蕉国产精品| 日日爽夜夜爽网站| 国产精品.久久久| 亚洲 欧美一区二区三区| 99热只有精品国产| 两个人看的免费小视频| 亚洲,欧美精品.| 久久久久精品国产欧美久久久| 久久精品熟女亚洲av麻豆精品| 老司机午夜福利在线观看视频| 婷婷精品国产亚洲av在线 | 国产xxxxx性猛交| 国产精品亚洲av一区麻豆| 午夜免费成人在线视频| 色婷婷av一区二区三区视频| 国产野战对白在线观看| 成年女人毛片免费观看观看9 | 在线观看免费午夜福利视频| 老汉色∧v一级毛片| 亚洲五月婷婷丁香| 亚洲精品在线美女| 国产精华一区二区三区| 999久久久精品免费观看国产| 高清毛片免费观看视频网站 | 91字幕亚洲| 欧美日韩福利视频一区二区| 中文字幕制服av| 欧美人与性动交α欧美精品济南到| 天堂俺去俺来也www色官网| 99riav亚洲国产免费| av免费在线观看网站| 母亲3免费完整高清在线观看| 不卡av一区二区三区| 性色av乱码一区二区三区2| 精品久久久精品久久久| 国产av精品麻豆| 在线观看舔阴道视频| 老司机影院毛片| 丝袜美足系列| 俄罗斯特黄特色一大片| 欧美性长视频在线观看| 啪啪无遮挡十八禁网站| 少妇 在线观看| 国产精品久久视频播放| 亚洲成人免费电影在线观看| 后天国语完整版免费观看| 婷婷成人精品国产| 女警被强在线播放| 亚洲少妇的诱惑av| 亚洲第一欧美日韩一区二区三区| avwww免费| 午夜久久久在线观看| 日韩欧美一区视频在线观看| 亚洲精品国产色婷婷电影| 一进一出好大好爽视频| 国产成人av激情在线播放| 午夜福利,免费看| 精品一区二区三区av网在线观看| 19禁男女啪啪无遮挡网站| 日日摸夜夜添夜夜添小说| 久久香蕉国产精品| 韩国av一区二区三区四区| 久久中文字幕人妻熟女| 欧美激情久久久久久爽电影 | 狠狠狠狠99中文字幕| www日本在线高清视频| 亚洲一码二码三码区别大吗| 变态另类成人亚洲欧美熟女 | 欧美在线一区亚洲| 亚洲精品成人av观看孕妇| 欧美日韩成人在线一区二区| 美女视频免费永久观看网站| 日本wwww免费看| 免费看a级黄色片| 国产单亲对白刺激| 国产一区在线观看成人免费| 老司机午夜福利在线观看视频| 国产又爽黄色视频| 国产精品 欧美亚洲| 丰满的人妻完整版| 精品国产乱子伦一区二区三区| 国产欧美亚洲国产| 搡老熟女国产l中国老女人| 久久人妻熟女aⅴ| 欧美激情久久久久久爽电影 | 国产亚洲精品久久久久5区| 老司机深夜福利视频在线观看| 满18在线观看网站| 在线观看免费视频日本深夜| 欧美人与性动交α欧美精品济南到| 天天躁夜夜躁狠狠躁躁| 最新在线观看一区二区三区| 久久狼人影院| 正在播放国产对白刺激| 国产精品二区激情视频| 亚洲av片天天在线观看| 男女免费视频国产| 麻豆乱淫一区二区| 在线观看免费午夜福利视频| 国产日韩欧美亚洲二区| 亚洲精品国产一区二区精华液| 午夜福利一区二区在线看| 制服人妻中文乱码| 亚洲久久久国产精品| 亚洲欧美日韩高清在线视频| 老司机影院毛片| 超碰成人久久| 最近最新免费中文字幕在线| 老汉色∧v一级毛片| 日本wwww免费看| 亚洲国产精品sss在线观看 | 亚洲五月色婷婷综合| 超色免费av| 成人av一区二区三区在线看| 两人在一起打扑克的视频| 欧美在线黄色| xxx96com| 国产一区二区三区在线臀色熟女 | 99re在线观看精品视频| 国产日韩一区二区三区精品不卡| 女人久久www免费人成看片| 99热只有精品国产| 男男h啪啪无遮挡| 精品国产一区二区三区久久久樱花| 免费日韩欧美在线观看| 黄片大片在线免费观看| 日韩三级视频一区二区三区| 国精品久久久久久国模美| 成在线人永久免费视频| 久久久久国产精品人妻aⅴ院 | 好男人电影高清在线观看| 在线av久久热| 国产精品久久久人人做人人爽| 多毛熟女@视频| 深夜精品福利| 欧美日韩国产mv在线观看视频| 国产成人精品久久二区二区91| 亚洲精品成人av观看孕妇| 欧美人与性动交α欧美精品济南到| av天堂在线播放| 校园春色视频在线观看| 国产精品免费一区二区三区在线 | 免费在线观看完整版高清| 久久国产亚洲av麻豆专区| 一个人免费在线观看的高清视频| a级毛片黄视频| 大香蕉久久成人网| 亚洲精品在线观看二区| svipshipincom国产片| 亚洲精品美女久久久久99蜜臀| 午夜91福利影院| 久久亚洲真实| 国产精品综合久久久久久久免费 | 中文字幕人妻丝袜制服| 一边摸一边做爽爽视频免费| 国产极品粉嫩免费观看在线| 精品国产一区二区三区四区第35| 国产成人av激情在线播放| 天天添夜夜摸| 少妇 在线观看| 欧美日韩福利视频一区二区| 国产xxxxx性猛交| 欧美久久黑人一区二区| 99国产综合亚洲精品| 国产精品99久久99久久久不卡| tocl精华| 新久久久久国产一级毛片| 国产精品 欧美亚洲| 日本黄色日本黄色录像| 99国产精品一区二区三区| 高清毛片免费观看视频网站 | 久久亚洲精品不卡| 欧美最黄视频在线播放免费 | 国产精华一区二区三区| 极品少妇高潮喷水抽搐| 在线播放国产精品三级| 90打野战视频偷拍视频| av免费在线观看网站| 99精品久久久久人妻精品| 国产在线观看jvid| 亚洲情色 制服丝袜| 黄色视频,在线免费观看| 久热爱精品视频在线9| 亚洲人成电影免费在线| 一a级毛片在线观看| 91老司机精品| 黄频高清免费视频| 热re99久久精品国产66热6| e午夜精品久久久久久久| 热99久久久久精品小说推荐| 亚洲国产欧美网| 一级片免费观看大全| 亚洲国产欧美日韩在线播放| 777米奇影视久久| 99国产精品免费福利视频| 一本大道久久a久久精品| 一区二区三区精品91| 男女午夜视频在线观看| 久久人妻av系列| 叶爱在线成人免费视频播放| 亚洲三区欧美一区| 女人精品久久久久毛片| 日韩欧美三级三区| 无限看片的www在线观看| 国产精品偷伦视频观看了| 新久久久久国产一级毛片| 久久午夜综合久久蜜桃| 99国产综合亚洲精品| 亚洲熟女毛片儿| av片东京热男人的天堂| 欧美老熟妇乱子伦牲交| 国产成+人综合+亚洲专区| 91国产中文字幕| 久久国产乱子伦精品免费另类| 精品第一国产精品| 欧美日韩乱码在线| 欧美亚洲日本最大视频资源| 亚洲综合色网址| 中文字幕人妻丝袜一区二区| 亚洲va日本ⅴa欧美va伊人久久| tocl精华| av在线播放免费不卡| 久久青草综合色| 日本a在线网址| 成人av一区二区三区在线看| 免费久久久久久久精品成人欧美视频| 国产亚洲欧美在线一区二区| 一二三四在线观看免费中文在| x7x7x7水蜜桃| 91麻豆精品激情在线观看国产 | 亚洲国产毛片av蜜桃av| 久久人人爽av亚洲精品天堂| 男女之事视频高清在线观看| 12—13女人毛片做爰片一| 成熟少妇高潮喷水视频| 亚洲中文av在线| 国产精品98久久久久久宅男小说| 日韩一卡2卡3卡4卡2021年| 宅男免费午夜| 99国产精品一区二区三区| 午夜精品久久久久久毛片777| 久久精品熟女亚洲av麻豆精品| 9色porny在线观看| 国产亚洲精品久久久久5区| 999精品在线视频| 高清av免费在线| 欧美日韩中文字幕国产精品一区二区三区 | 两性夫妻黄色片| 亚洲国产毛片av蜜桃av| 99精品在免费线老司机午夜| av超薄肉色丝袜交足视频| 亚洲精品在线观看二区| 国产在线精品亚洲第一网站| 亚洲一码二码三码区别大吗| 成人国产一区最新在线观看| 制服人妻中文乱码| 日本a在线网址| 三上悠亚av全集在线观看| 国产片内射在线| 国产精品av久久久久免费| 亚洲精品国产区一区二| 老司机福利观看| 国产免费现黄频在线看| 在线观看免费视频日本深夜| 午夜两性在线视频| 精品欧美一区二区三区在线| 女性生殖器流出的白浆| 午夜两性在线视频| 777米奇影视久久| videosex国产| 久久久精品区二区三区| 欧美日韩亚洲国产一区二区在线观看 | 一进一出抽搐动态| 亚洲视频免费观看视频| 欧美国产精品va在线观看不卡| 中文字幕人妻熟女乱码| 欧美午夜高清在线| 热99国产精品久久久久久7| 女警被强在线播放| 欧美老熟妇乱子伦牲交| 成年人午夜在线观看视频| 午夜精品久久久久久毛片777| 少妇被粗大的猛进出69影院| 香蕉久久夜色| 欧美日韩一级在线毛片| 国产91精品成人一区二区三区| 欧美精品啪啪一区二区三区| 国产精品美女特级片免费视频播放器 | 亚洲五月色婷婷综合| 久久久久视频综合| 亚洲av日韩精品久久久久久密|