检索结果-南通市图书馆

计算机辅助设计与图形学学报 2024年

作者：杨超官铮王学马文笔云南大学信息学院

有效捕捉和利用图像不同特征层之间的特性和互补潜力，对于精确定位显著目标和保留其细节轮廓具有重要意义. 针对现有的大多数rgb-t显著性目标检测方法将提取到的图像特征直接输入到聚合模块中，并利用简单的递归结构定位显著目标， ... 详细信息

有效捕捉和利用图像不同特征层之间的特性和互补潜力，对于精确定位显著目标和保留其细节轮廓具有重要意义. 针对现有的大多数rgb-t显著性目标检测方法将提取到的图像特征直接输入到聚合模块中，并利用简单的递归结构定位显著目标，其所带来的低泛化能力问题，提出了一种显著性增强和全局感知的rgb-t显著性目标检测方法. 首先利用预训练模型提取图像的原始特征; 其次提出降噪模块(NRM)，作为编码和跨模态解码之间的桥梁，以纯化显著对象的特征表示; 再次提出高级语义指导模块(HSGB)，融合不同模态的高级语义信息，以保留显著对象的位置信息; 最后设计跨模态交互模块(MMIB)在保留显著对象位置信息的同时，并指导解码模块进行多级特征的聚合操作，得到最终显著图. 在Vt821、Vt1000和Vt5000数据集上的实验结果表明，所提方法的MAE指标分别达到3.0%、1.8%和3.0%，性能优于大多数主流方法.

关键词： rgb-t显著性目标检测细节轮廓高级语义信息多级特征

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

自适应热力估计的rgb-t显著性目标检测方法研究

自适应热力估计的RGB-T显著性目标检测方法研究

引用

作者：李进熙华中科技大学

学位级别：硕士

显著性目标检测旨在从图像或视频中分离出最吸引视觉注意力的物体,这一研究受启发于人类视觉注意机制。尽管基于彩色图和热力图的显著性目标检测方法能够提供相比于传统显著性目标检测更高的性能,但普通网络都在计算中忽略了热力图中噪... 详细信息

显著性目标检测旨在从图像或视频中分离出最吸引视觉注意力的物体,这一研究受启发于人类视觉注意机制。尽管基于彩色图和热力图的显著性目标检测方法能够提供相比于传统显著性目标检测更高的性能,但普通网络都在计算中忽略了热力图中噪声的影响。这些干扰噪声多来源于不稳定的采集设备、物体辐射、传感器温度等。此外,热力图和彩色图还存在一些模态未对齐下的特征融合,使得融合特征的有效性下降。为了更有效地发挥热力模态的作用,首先,提出了一种基于自适应动态引导的热力估计方法。该方法使用热力图做监督,从彩色图中发掘潜在信息,并使用动态引导的机制加强两种模态的联系,最终预估出热力信息,对原热力信息做增强和补充。其次,在此基础上,提出了一种基于特征变换的方法,用于对齐原热力图与预估热力图,消除原热力图相较于预估热力图和彩色图的偏差,并实现了原热力图与预估热力图的动态融合,进一步提高了热力模态的有效性。最后,还整合了上述工作,提出了基于彩色图和热力图的显著目标检测网络框架。通过实验对网络的有效性进行了验证,实验结果在三个数据集上相比当前最先进的方法均有显著的提升。F-measure分别在Vt821、Vt1000和Vt5000数据集上提升了3.7%、2.6%和2.7%。

关键词： rgb-t显著性目标检测热力估计模态对齐模态融合

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多支路协同的rgb-t图像显著性目标检测

引用

中国图象图形学报 2021年第10期26卷 2388-2399页

作者：蒋亭亭刘昱马欣孙景林天津大学微电子学院天津300072 天津大学电气自动化与信息工程学院天津300072

目的显著性目标检测是机器视觉应用的基础,然而目前很多方法在显著性物体与背景相似、低光照等一些复杂场景得到的效果并不理想。为了提升显著性检测的性能,提出一种多支路协同的rgb-t(thermal)图像显著性目标检测方法。方法将模型主体... 详细信息

目的显著性目标检测是机器视觉应用的基础,然而目前很多方法在显著性物体与背景相似、低光照等一些复杂场景得到的效果并不理想。为了提升显著性检测的性能,提出一种多支路协同的rgb-t(thermal)图像显著性目标检测方法。方法将模型主体设计为两条主干网络和三条解码支路。主干网络用于提取rgb图像和thermal图像的特征表示,解码支路则分别对rgb特征、thermal特征以及两者的融合特征以协同互补的方式预测图像中的显著性物体。在特征提取的主干网络中,通过特征增强模块实现多模图像的融合互补,同时采用适当修正的金字塔池化模块,从深层次特征中获取全局语义信息。在解码过程中,利用通道注意力机制进一步区分卷积神经网络(convolutional neural networks,CNN)生成的特征在不同通道之间对应的语义信息差异。结果在Vt821和Vt1000两个数据集上进行测试,本文方法的最大F-measure值分别为0.8437和0.8805,平均绝对误差(mean absolute error,MAE)值分别为0.0394和0.0322,相较于对比方法,提升了整体检测性能。结论通过对比实验表明,本文提出的方法提高了显著性检测的稳定性,在一些低光照场景取得了更好效果。

关键词： rgb-t显著性目标检测多模图像融合多支路协同预测通道注意力机制金字塔池化模块(PPM)

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

多源图像的显著性目标检测算法研究

多源图像的显著性目标检测算法研究

引用

作者：吴然万东北石油大学

学位级别：硕士

多源图像的显著性目标检测(如:rgb-D和rgb-t显著性目标检测)是近年来计算机视觉领域中的研究热点之一,旨在利用多模态数据(如:rgb图像和深度图像或rgb图像和热红外图像)在给定区域中识别出最显著的目标。其中,多源数据是对同一场景的不... 详细信息

多源图像的显著性目标检测(如:rgb-D和rgb-t显著性目标检测)是近年来计算机视觉领域中的研究热点之一,旨在利用多模态数据(如:rgb图像和深度图像或rgb图像和热红外图像)在给定区域中识别出最显著的目标。其中,多源数据是对同一场景的不同表征方式,多模态数据之间既存在着共同性也存在着差异性。因此如何实现不同模态信息之间的有效交互以及提高特征的利用率,这对于增强显著性目标检测的性能至关重要。此外,近邻层特征之间存在着一定的相似性,如何有效地利用近邻层特征之间的互补特性来深入挖掘显著性目标的关键线索也是亟待探索的重要问题。本文围绕上述问题,针对rgb-D和rgb-t显著性目标检测任务,分别设计了不同的算法模型。针对rgb-D显著性目标检测中多模态信息交互不充分的问题,本文提出了一种跨模态分层交互网络(HINet),该网络主要包括两个模块:跨模态信息交互(CIE)模块和渐进式引导的多层特征融合(PGF)模块。具体来说,CIE模块用于学习跨模态特征的共享表示以及学习有利于区别不同模态特征的有益反馈。此外,PGF模块基于高级特征融合来引导低级特征融合的机制,采用反向引导策略逐步聚合分层特征,从而提高显著性目标的检测性能。本文提出的模型在五个具有挑战性的基准数据集上优于现有的9种先进的算法模型,且通过大量消融实验证明了本文所提出的两个模块的有效性。针对rgb-t显著性目标检测任务,本文提出了一种新的并行对称网络(PSNet),旨在关注如何聚合来自两种模态的关键显著性线索,以增强显著特征的表示,从而产生准确的显著目标检测结果。具体而言,本文首先开发了级联聚合模块(CAM),该模块充分积累和挖掘来自两种不同模态的有价值的显著性语义特征,通过级联基于残差的增强单元来强化特征表示。接着,本文设计了一个并行对称融合(PSF)模块,以并行和对称的方式集成来自相邻层的关键显著性特征,生成显著性预测图。此外,为了充分利用多层次特征,本文引入了一种引导策略,该策略利用低层次特征增强显著性预测图的细节信息,以提高显著目标检测的精度。本文提出的模型在三个具有挑战性的基准数据集上显著优于现有的15种先进的模型。此外,本文将所提的模型应用在rgb-D显著性目标检测任务中,同样取得了优异的性能,这也证明了所提出算法具有较强的通用性和鲁棒性。

关键词： rgb-D显著性目标检测 rgb-t显著性目标检测跨模态交互多层融合

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：