利用卷积神经网络的显著性区域预测方法

• 作者: 李荣
• 来源期刊: 重庆邮电大学学报（自然科学版）
• 学科: 工学
• 关键词: 显著性区域预测 卷积神经网络 损失函数 显著度图 鲁棒性
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 未来网络与智能应用
• 页码范围: 37-43
• 页数: 7页
• 分类号: TP391
• 字数: 5664字
• 语种: 中文
• DOI: 10.3979/j.issn.1673-825X.2019.01.005

摘要

针对神经网络的显著性区域预测存在数据采集代价大、处理繁琐等问题, 提出2种卷积神经网络, 即从头开始训练的浅层卷积神经网络, 以及前三层源自另一个网络的深层卷积神经网络.其中, 浅层网络结构简单, 可避免过拟合问题;深层网络可以充分利用最底层的模型参数, 收敛更快, 效果更好.所提卷积神经网络应用于回归问题, 均没有直接训练特征图的线性模型, 而是在迁移层上训练了一堆新的卷积层.从端到端的角度解决显著性预测, 将学习过程演化为损失函数的最小化问题.测试和训练在SALICON, SUN和MIT300数据集上进行, 实验结果验证了所提方法的有效性.其中, 深层网络和浅层网络在SALICON和SUN数据上的结果相似, 深层网络在MIT300上的结果更优, 与其他方法相比, 所提方法具有不错的表现, 而且具有跨数据集的鲁棒性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李荣	无锡太湖学院物联网工程学院	19	58	3.0	7.0