集成多种上下文与混合交互的显著性目标检测

作     者：夏晨星 陈欣雨 孙延光 葛斌 方贤进 高修菊 张艳 XIA Chenxing;CHEN Xinyu;SUN Yanguang;GE Bin;FANG Xianjin;GAO Xiuju;ZHANG Yan

作者机构：安徽理工大学计算机科学与工程学院淮南232001 安徽璞华大数据技术有限公司淮南230031 合肥综合性国家科学中心能源研究院合肥230601 南京理工大学计算机科学与工程学院南京210094 合肥综合性国家科学中心人工智能研究院合肥230601 安徽理工大学电气与信息工程学院淮南232001 安徽大学电子信息工程学院合肥230601 

出 版 物：《电子与信息学报》 (Journal of Electronics & Information Technology)

年 卷 期：2024年第46卷第7期

页      面：2918-2931页

核心收录：

学科分类：0711[理学-系统科学] 07[理学] 08[工学] 080401[工学-精密仪器及机械] 080203[工学-机械设计及理论] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0802[工学-机械工程] 

基　　金：国家自然科学基金(62102003) 安徽省自然科学基金(2108085QF258) 安徽省博士后基金(2022B623) 淮南市科技计划项目(2023A316) 安徽高校协同创新项目(GXXT-2021-006,GXXT-2022-038) 安徽理工大学青年科学研究基金一般项目(xjyb2020-04) 中央引导地方科技发展专项资金(202107d06020001) 

主　　题：计算机视觉 显著性目标检测 全卷积网络 上下文信息 

摘      要：显著性目标检测目的是识别和分割图像中的视觉显著性目标,它是计算机视觉任务及其相关领域的重要研究内容之一。当下基于全卷积网络(FCNs)的显著性目标检测方法已经取得了不错的性能,然而现实场景中的显著性目标类型多变且尺寸不固定,这使得准确检测并完整分割出显著性目标仍然是一个巨大的挑战。为此,该文提出集成多种上下文和混合交互的显著性目标检测方法,通过利用密集上下文信息探索模块和多源特征混合交互模块来高效预测显著性目标。密集上下文信息探索模块采用空洞卷积、不对称卷积和密集引导连接渐进地捕获具有强关联性的多尺度和多感受野上下文信息,通过集成这些信息来增强每个初始多层级特征的表达能力。多源特征混合交互模块包含多种特征聚合操作,可以自适应交互来自多层级特征中的互补性信息,以生成用于准确预测显著性图的高质量特征表示。此方法在5个公共数据集上进行了性能测试,实验结果表明,该文方法在不同的评估指标下与19种基于深度学习的显著性目标检测方法相比取得优越的预测性能。