首页|深度学习背景下视觉显著性物体检测综述

深度学习背景下视觉显著性物体检测综述

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
视觉显著性物体检测是对人类视觉和认知系统的模拟,而深度学习则是对人类大脑计算方式的模拟,将两者有机结合可以有效推动计算机视觉的发展.视觉显著性物体检测的任务是从图像中定位并提取具有明确轮廓的显著性物体实例.随着深度学习的发展,视觉显著性物体检测的精度和效率都得到巨大提升,但仍然面临改进主流算法性能、减少对像素级标注样本的依赖等主要挑战.针对上述挑战,本文从视觉显著性物体检测思想与深度学习方法融合策略的角度对相关论述进行分类总结.1)分析传统显著性物体检测方法带来的启示及其缺点,指出视觉显著性物体检测的核心思路为多层次特征的提取、融合与修整;2)从改进特征编码方式与信息传递结构、提升边缘定位精度、改善注意力机制、提升训练稳定性和控制噪声的角度对循环卷积神经网络、全卷积神经网络和生成对抗网络3种主流算法的性能提升进行分析,从优化弱监督样本处理模块的角度分析了减少对像素级标注样本依赖的方法;3)对协同显著性物体检测、多类别图像显著性物体检测以及未来的研究问题和方向进行介绍,并给出了可能的解决思路.
Review of deep learning based salient object detection

王自全、张永生、于英、闵杰、田浩

展开 >

信息工程大学地理空间信息学院,郑州 450001

31434部队,沈阳 110000

显著性物体检测(SOD) 深度学习 循环卷积神经网络(RCNN) 全卷积网络(FCN) 注意力机制 弱监督与多任务策略

国家自然科学基金

42071340

2022

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2022.27(7)
  • 4
  • 67