典型文献
基于CNN-TrajGRU的视频显著性检测技术
文献摘要：
视频显著性检测通过预测人类视觉注意位置提取视频中的重要信息,已被广泛应用于视频分割、目标识别等计算机视觉领域.目前基于循环神经网络的时空模型在预测显著性上获得了优异的性能.在此基础上,提出了一种基于上下文感知的卷积-轨迹门控循环单元网络(convolutional neural network-trajectory gated recurrent unit,CNN-TrajGRU)的视频显著性检测方法.首先,提取输入视频帧的多尺度金字塔特征,利用深层特征的通道注意模块和浅层特征的空间注意模块进行特征融合,生成静态显著性特征.然后,将静态显著性特征输入到轨迹门控循环单元网络,实现时间轴上连续多帧的动态显著性特征提取.最后预测当前时刻的记忆状态作为显著性概率,获得视频帧的显著图.提出的方法能够获取多尺度特征的上下文信息,有效地融合空间域和时间域上的显著性信息.在DHF1K、UCF-Sports数据集上进行定性和定量测试,实验结果表明文章方法的结果优于其他同类模型.
文献关键词：
轨迹门控循环单元网络;视频显著性检测;多尺度特征提取;注意力模块
中图分类号：
作者姓名：
王洋;袁立宁;郭放;刘钊
作者机构：
中国人民公安大学 北京 100038
文献出处：
引用格式：
[1]王洋;袁立宁;郭放;刘钊-.基于CNN-TrajGRU的视频显著性检测技术)[J].信息技术与信息化,2022(04):5-10
A类：
TrajGRU,轨迹门控循环单元网络,静态显著性,动态显著性,DHF1K
B类：
视频显著性检测,人类视觉,视觉注意,重要信息,视频分割,目标识别,计算机视觉,循环神经网络,时空模型,上下文感知,convolutional,neural,network,trajectory,gated,recurrent,unit,视频帧,多尺度金字塔,金字塔特征,深层特征,通道注意模块,特征融合,时间轴,多帧,显著性特征提取,显著图,上下文信息,空间域,时间域,显著性信息,UCF,Sports,定性和定量,定量测试,明文,多尺度特征提取,注意力模块
AB值：
0.316956
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。
