基于深度神經(jīng)網(wǎng)絡(luò)的圖像顯著性預(yù)測方法研究與實現(xiàn).pdf

1、人類在長期的進化中具有了高度發(fā)達的視覺注意機制，擁有在復雜的環(huán)境中快速選擇性的發(fā)現(xiàn)感興趣目標的能力。模擬這種視覺注意機制引起了在心理學、神經(jīng)系統(tǒng)，尤其是計算機視覺領(lǐng)域里的許多研究者們的重視。圖像數(shù)據(jù)信息是視覺信息的主要載體，當注意一張圖片的時候，人類的視覺注意機制使得他們在圖片上的注視點會落在更能刺激視覺的特殊區(qū)域，這些特殊區(qū)域就是圖像中比較顯著的區(qū)域。顯著性預(yù)測就是通過模仿人類視覺注意機制來提取圖像的重要信息，并應(yīng)用于新的人工智能領(lǐng)域

2、。
　　本文使用深度學習技術(shù)建立了圖像顯著性預(yù)測的兩種模型。在構(gòu)建深度學習模型時，我們綜合了深度卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點和傳統(tǒng)的顯著性原理。我們在訓練深度神經(jīng)網(wǎng)絡(luò)時，綜合考慮了圖像的High-Level與Low-Level語義信息，提出了多尺度的卷積神經(jīng)網(wǎng)絡(luò);綜合傳統(tǒng)顯著性檢測中基于全局對比和局部對比的方法，提出了循環(huán)的卷積神經(jīng)網(wǎng)絡(luò)，從多種層次上考慮了圖像所蘊含的信息。本文使用的兩種網(wǎng)絡(luò)模型，多尺度的卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)卷積神經(jīng)網(wǎng)絡(luò)，對圖

3、像處理與識別的其它領(lǐng)域也有著借鑒意義。本文提出的周期性訓練方法通過融合原圖像和初步訓練的顯著圖，可以達到自動優(yōu)化顯著圖的目的。除此之外，本文通過模糊化顯著圖的辦法，使得兩種模型的實驗結(jié)果更加精確。
　　本文以Caffe深度學習框架為平臺實現(xiàn)兩種深度神經(jīng)網(wǎng)絡(luò)模型，使用Matlab，Python等軟件預(yù)處理圖像、導入和導出模型結(jié)果。我們對使用的兩種模型在MIT，SALICON與iSUN三種數(shù)據(jù)庫上進行了實驗，并從定性和定量的角度進行了