基于子网络级联式混合信息流的显著性检测

• 作者: 刘涵 周燕 张梦颖 於嘉敏 王永雄 董波 高远之
• 来源期刊: 光电工程
• 学科: 工学
• 关键词: 显著性检测 级联式 混合信息流 注意力机制
• 年，卷（期）: 2020,（7）
• 所属期刊栏目: 科研论文
• 页码范围: 79-90
• 页数: 12页
• 分类号: TP391
• 字数: 6438字
• 语种: 中文
• DOI: 10.12086/oee.2020.190627

摘要

针对现有显著性检测算法在复杂场景下细节特征丢失的问题,本文提出了一种多层子网络级联式混合信息流的融合方法.首先使用FCNs骨干网络学习多尺度特征.然后通过多层子网络分层挖掘构建级联式网络框架,充分利用各层次特征的上下文信息,将检测与分割任务联合处理,采用混合信息流方式集成多尺度特性,逐步学习更具有辨别能力的特征信息.最后,嵌入注意力机制将显著性特征作为掩码有效地补偿深层语义信息,进一步区分前景和杂乱的背景.在6个公开数据集上与现有的9种算法进行对比分析,经实验验证,本文算法运行速度可达20.76帧/秒,并且实验结果在5个评价指标上普遍达到最优,即使对于挑战性很强的全新数据集SOC.本文方法明显优于经典的算法,其测试结果F-measure提升了1.96％,加权F-measure提升了3.53％,S-measure提升了0.94％,E-measure提升了0.26％.实验结果表明,提出的模型有效提高了显著性检测的正确率,能够适用于各种复杂的环境.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周燕	上海理工大学光电信息与计算机工程学院	9	44	3.0	6.0
2	董波	上海理工大学光电信息与计算机工程学院	6	11	2.0	3.0
3	王永雄	上海理工大学光电信息与计算机工程学院	32	92	5.0	8.0
4	刘涵	上海理工大学光电信息与计算机工程学院	3	119	1.0	3.0
5	高远之	上海理工大学光电信息与计算机工程学院	1	0	0.0	0.0
6	於嘉敏	上海理工大学光电信息与计算机工程学院	1	0	0.0	0.0
7	张梦颖	上海理工大学光电信息与计算机工程学院	1	0	0.0	0.0