典型文献
一种结合多尺度特征融合与像素损失加权的显著性目标检测方法
文献摘要：
在显著性目标检测领域,常使用二分类交叉熵函数计算损失,但该损失函数独立计算各像素点的信息,忽视了每个像素之间的联系与显著目标的整体结构.当背景在整幅图像中占据主导位置后,会导致前景Loss被稀释,在计算损失时会同等对待所有像素,忽略了像素间的差异,这些缺点会导致边缘模糊的问题,越靠近显著物体边缘的像素点,预测的准确率越低.本文依据标签中不同像素之间的差异,基于交叉熵和交并比两种函数,采用加权的方法区别对待不同像素之间的损失,可提高难样本点的预测精度,进而引导网络重点关注显著物体的全局和边界特征.6个常用数据集上的实验结果表明,相比近年的主流显著性检测方法,准确性有所提升.
文献关键词：
深度学习;显著性目标检测;卷积神经网络;损失函数
中图分类号：
作者姓名：
魏子尊;朱戈
作者机构：
黑龙江大学 数据科学与技术学院,哈尔滨150080
文献出处：
引用格式：
[1]魏子尊;朱戈-.一种结合多尺度特征融合与像素损失加权的显著性目标检测方法)[J].黑龙江大学自然科学学报,2022(01):106-113
A类：
B类：
多尺度特征融合,显著性目标检测,目标检测方法,检测领域,二分类交叉熵,交叉熵函数,损失函数,像素点,显著目标,整体结构,整幅,Loss,会同,同等对待,交并比,区别对待,高难,难样本,样本点,边界特征,显著性检测
AB值：
0.375514
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。
