典型文献
深度学习背景下视觉显著性物体检测综述
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
王自全;张永生;于英;闵杰;田浩
作者机构：
信息工程大学地理空间信息学院,郑州 450001;31434部队,沈阳 110000
文献出处：
引用格式：
[1]王自全;张永生;于英;闵杰;田浩-.深度学习背景下视觉显著性物体检测综述)[J].中国图象图形学报,2022(07):2112-2128
A类：
显著性物体检测,弱监督与多任务策略
B类：
视觉显著性,人类视觉,认知系统,计算方式,计算机视觉,流算法,算法性能,像素级标注,主要挑战,深度学习方法,方法融合,融合策略,分类总结,核心思路,多层次特征,特征的提取,修整,改进特征,特征编码,编码方式,信息传递,边缘定位,定位精度,注意力机制,循环卷积神经网络,全卷积神经网络,生成对抗网络,性能提升,从优,样本处理,多类别,图像显著性,研究问题,解决思路,RCNN,全卷积网络,FCN
AB值：
0.247471
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
