基于高层语义特征跨层级的显著性检测算法研究

作     者：刘宇博 

作者单位：东北师范大学 

学位级别：硕士

导师姓名：张明

授予年度：2021年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：显著性检测 卷积神经网络 高层次语义特征 注意力机制 

摘      要：显著性检测是指从图片中找到最“引人注意的一个或若干个物体的过程,其本质上是一种心理学过程的计算机重现。深度卷积神经网络技术在当前图形图像各领域的应用中展现了不可思议的能力,在显著性检测领域也不例外。目前,最先进的方法都是基于深度卷积神经网络技术研发的。这其中,Lee等人提出的ELD（Encoded Low Level Distance）算法将底层特征和高层特征统一编码,统一训练,是一种非常值得借鉴的研究思路。借鉴ELD算法的核心思想,本文将VGG16网络中低层细节特征与高层语义特征进行多层次、跨层级的充分融合,并加入空间和通道注意力模块,以更大提升性能。设计并实现了一个跨层级的显著性检测深度神经网络,在11个流行的公开数据集上测试后表明,本文算法取得了较好的效果。本文的主要工作如下:1、改进了ELD模型的架构。本文将ELD中的底层特征用VGG16中的低层级feature map替代,并将其与高层级feature map融合到一起进行学习。2、提出了一种新的网络互连结构。在ELD模型中,神经网络只是作为一个提取高层特征的工具使用,并未考虑各层之间的连接性。而本文将神经网络的各个层互相连接、融合,达到不同层次特征融合的目的。3、增强了空间和通道的权重敏感度。将空间和通道注意力机制引入到层级互连过程中,优化了个各个层级的权重,虽然训练速度略慢,但取得了更好的效果。