基于深度神經(jīng)網(wǎng)絡的局部和全局聯(lián)合的圖像顯著性檢測.pdf

1、通常人們在面對復雜場景時會優(yōu)先注意最重要和最感興趣的區(qū)域，視覺系統(tǒng)能快速從復雜場景中提取出該區(qū)域。顯著性目標檢測作為圖像分割，圖像分類，視頻追蹤，圖像壓縮等眾多復雜任務的預處理關鍵環(huán)節(jié)，能有效捕捉到視覺顯著性區(qū)域。其通過一定的算法或者模型模擬人腦視覺系統(tǒng)判斷出圖像中每個像素屬于感興趣區(qū)域的概率，在不同的衡量標準下評定每個像素的類別，最終輸出場景的顯著性圖。深度學習網(wǎng)絡近幾年在圖像分類，目標檢測，場景稀疏等方面取得不錯的效果，這源自于深度

2、架構強大的表達能力和容量:學習復雜特征的能力和直接學習訓練樣本之間相互關系的模型。這打破了過去傳統(tǒng)人工選取特征的方式，大大推進了顯著性目標檢測的發(fā)展。早期用于場景稀疏和顯著性檢測的深度學習網(wǎng)絡由于將圖像塊作為網(wǎng)絡的輸入，網(wǎng)絡結構無法獲取遠程標簽依賴關系，而通過循環(huán)學習的方式使得圖像上下文信息越完善網(wǎng)絡越成熟。
　　本文通過總結現(xiàn)有的顯著性科研成果和結合當今前沿的科研技術，提出了一種基于深度神經(jīng)網(wǎng)路的局部估計和全局搜索相結合的圖像顯

3、著性檢測方法。本文所提出的模型分為三個階段:局部階段，全局階段，局部和全局融合階段。局部階段包括局部估計網(wǎng)絡和局部優(yōu)化階段。運用局部估計網(wǎng)絡來學習局部圖像塊的特征，判定局部圖像塊中每個像素屬于顯著性的概率大小。獲取局部初始顯著性圖后，由于局部估計網(wǎng)絡對于高頻噪聲敏感，無法獲取圖像空間連續(xù)性，為了解決這個問題，本文采用GOP優(yōu)化算法提取一系列的目標分割區(qū)域，優(yōu)化局部估計階段的顯著性圖。全局階段包括全局搜索網(wǎng)絡和全局優(yōu)化階段。全局搜索網(wǎng)絡通

4、過獲取整張圖像的對比度和幾何信息作為圖像的全局特征，以此判定圖像顯著性像素的概率大小。為了彌補全局網(wǎng)絡丟失的部分前景信息，本文采用基于顏色-距離的傳播算法對網(wǎng)絡進行優(yōu)化，得到全局優(yōu)化顯著性圖。局部和全局融合階段利用最小二乘法學習最優(yōu)權重將二者進行線性組合，輸出最終的顯著性圖。通過在顯著性公開數(shù)據(jù)庫上測試，本文所提出的算法不論是局部，全局階段還是融合階段，都具有較好的檢測性能。與其他十種現(xiàn)有最優(yōu)的算法進行比較，我們所提出的算法無論是準確率