一种平衡准确性以及高效性的显著性目标检测深度卷积网络模型分析
链接:一种平衡准确性以及高效性的显著性目标检测深度卷积网络模型
1.部分概念
(1)超像素
超像素最直观的解释,便是把一些具有相似特性的像素“聚合”起来,形成一个更具有代表性的大“元素”,而这个新的元素,将作为其他图像处理算法的基本单位,优点在于
1.大大降低了维度;
2.可以剔除一些异常像素点。
(2)之前提出的一些深度显著性检测模型(不做具体分析)
1.利用卷积神经网络(Convolutional Neural Networks,CNN)提取特征或上下文信息来预测超像素等图像片段的显著性分数。
2.利用卷积神经网络将局部超像素估计和全局建议搜索结合起来进行显著目标检测。
3.提取每个超像素的上下文信息,并利用CNN特征来计算超像素的显著性值。
4.利用全卷积网络(Fully Convolutional Networks, FCN)的像素级显著性预测。
5.将底层的空间特征与CNN特征相结合来进行显著性预测。
6.两级深层次显著性检测网络,通过从浅层恢复细节来细化粗预测图。
7.使用底层线索生成显著先验图,并利用该先验图以递归方式指导显著性目标预测。
8.空间卷积显著性检测框架网络,将空间注意机制引入到CNN图层,提取每个图像样本的全局和局部特征。
9.无监督检测方法