基于循環(huán)全卷積網(wǎng)絡的顯著性檢測.pdf

1、顯著性目標檢測，是指對于一幅圖像，以最接近于人眼關注范圍的方法將圖像的較為突出或者比較重要的目標區(qū)域標注出來以便后續(xù)利用。眾所周知，人類以及其他靈長類動物的視覺系統(tǒng)是相似的，面對一個現(xiàn)實場景或者一幅圖像，在沒有其他任務或者干擾的情況下，受關注的目標區(qū)域都會具有一定的特性，比如，背景全部是青草的情況下，中間點綴的一朵紅花我們認為是顯著，又或者，在空曠的沙漠中站立的一個人，這個也被認為是顯著的。這些目標都具有這樣一些特征：與背景對比度較大，

2、占據(jù)整個場景或者圖像較小的一個范圍，在幾何上是一個封閉的圖形等。對于如上背景較為簡單的情況下，已經(jīng)有許多簡單但是很有效的方法進行顯著性檢測，取得了很好的效果。但是，如果背景較為復雜，背景中干擾較多的情況，雖然目前也有很多的算法，但是效果都不能稱得上理想，都會受到背景的一些干擾。而對于復雜背景來說，我們?nèi)祟惖囊曈X系統(tǒng)能夠迅速并且準確地過濾掉背景當中的一些干擾并將注意力集中于真正明顯的前景目標當中?；谶@一點，顯著性檢測任務需要更加魯棒的模

3、型以適應復雜的現(xiàn)實環(huán)境。
　　本文提出了一種基于循環(huán)全卷積的深度神經(jīng)網(wǎng)絡進行顯著性檢測。首先，利用傳統(tǒng)的對比度特征，包括顏色、亮度等，計算出輸入圖像的初始顯著圖。然后，把原始圖像和初始顯著圖同時送入神經(jīng)網(wǎng)絡進行訓練。網(wǎng)絡利用全卷積神經(jīng)網(wǎng)絡，每次網(wǎng)絡輸入一整幅圖像，經(jīng)過卷積和下采樣運算對其進行編碼，然后再把編碼后的結果經(jīng)過反卷積進行解碼，最終得到和原圖一樣大小的顯著圖。同時該網(wǎng)絡采用循環(huán)結構，把每次網(wǎng)絡的預測輸出結果再送入網(wǎng)絡的輸入

4、，代替上個時間步的輸入顯著圖，重新對網(wǎng)絡進行修正。為了解決顯著目標的尺寸問題，利用多尺度結構，將神經(jīng)網(wǎng)絡中間層的輸出同樣經(jīng)過反卷積運算，并將其結果進行融合，從而對不同的顯著性目標都能取得較好的效果。訓練這種結構的網(wǎng)絡如果僅僅用傳統(tǒng)的訓練方法，很容易進入局部極小值點，使網(wǎng)絡無法得到徹底優(yōu)化。本文提出了一種兩階段的訓練過程，即預訓練階段和微調(diào)階段，充分利用分割數(shù)據(jù)庫豐富的監(jiān)督信息，很好的避免了上述問題。
　　本文算法在四個公開的顯著性