基于Mask R-CNN的图像协同显著性检测研究

发布时间：2023-12-26 20:24

　　图像协同显著性检测是一种从多幅相关图像中提取共同出现的相同或相似的显著性目标的方法,已经成为了计算机视觉方面非常热门的研究课题。协同显著性检测的难点在于如何区分图片组中的前景和背景,并突出前景目标;以及如何通过对同组图片间的一致性关系进行建模,并利用群组语义信息来提升协同显著性检测的性能。本文针对以上问题做了如下研究。针对目前协同显著性检测方法中存在的语义类别相差悬殊的物体被误检测为协同对象等问题,本文提出了基于卷积神经网络和语义相关的协同显著性检测算法CSCCD(CNN and Semantic Correlation based Co-saliency Detection)。首先,采用引导超像素滤波方法对SLIC分割出的超像素区域和DSS模型的显著性区域进行处理,清晰地显示了目标边界轮廓。然后,使用Mask R-CNN提取出语义特征,对图像语义特征和语义一致性进行定义,提出了图像组语义相关类的概念。在此概念的基础上定义了图像组语义关联类,用于建模同组图片间的语义一致性,解决了多幅图像的语义关联问题,最后融合显著性检测区域和图像组语义一致性区域得到协同显著性检测结果。CSCCD创新性...

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 协同显著性检测的研究现状
        1.2.1 自底向上方法的研究现状
        1.2.2 基于融合方法的研究现状
        1.2.3 基于学习方法的研究现状
    1.3 研究内容
    1.4 本文的组织结构
第2章 协同显著性检测的相关理论及技术
    2.1 人类视觉感知系统和视觉注意力机制
        2.1.1 人类视觉感知系统
        2.1.2 视觉注意力机制
    2.2 图像分割基础
        2.2.1 超像素分割
        2.2.2 语义分割
        2.2.3 实例分割
    2.3 常用的深度学习模型
        2.3.1 稀疏编码
        2.3.2 卷积神经网络
        2.3.3 特征金字塔网络
    2.4 本章小结
第3章 基于卷积神经网络和语义相关的协同显著性检测算法
    3.1 问题描述
    3.2 总体框架
    3.3 单幅图像的显著性检测
    3.4 基于语义相关的协同显著性检测
        3.4.1 相关概念及定义
        3.4.2 多幅图像的协同显著性检测
    3.5 算法框架
    3.6 实验结果与分析
        3.6.1 数据集与评价指标
        3.6.2 与其他方法的比较
    3.7 本章小结
第4章 基于Mask R-CNN的多层特征融合的协同显著性检测方法
    4.1 问题描述
    4.2 模型设计
        4.2.1 特征提取
        4.2.2 多尺度特征图生成和增强
        4.2.3 初始协同显著图
        4.2.4 图像间显著性传播
        4.2.5 协同显著图
    4.3 实验结果与分析
        4.3.1 iCoseg数据集的评估
        4.3.2 MSRC数据集的评估
    4.4 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
作者简介



本文编号：3875503