典型文献
特征混合增强与多损失融合的显著性目标检测
文献摘要：
针对当前显著性目标检测算法存在的特征缺失和区域一致性差的问题,基于全卷积神经网络提出一种特征混合增强与多损失融合的显著性目标检测算法.该算法包含上下文感知预测模块(CAPM)和特征混合增强模块(FHEM).首先利用上下文感知预测模块提取图像多尺度特征信息,并且在预测模块中嵌入空间感知模块(SAM)以进一步提取图像高层语义信息,然后利用特征混合增强模块对预测模块产生的全局特征信息和细节特征信息进行有效的整合,并利用特征聚合模块(FA M)对整合的信息进行特征增强.此外,提出了一种新的区域增强损失函数(RA),并将此损失函数与已有的二进制交叉熵(BCE)损失函数、结构化相似度(SSIM)损失函数融合,以多损失融合的方式监督网络保持前景区域的完整性以及增强区域像素一致性.在五个包含多个显著性目标和复杂背景的图像数据集上对算法进行验证,实验结果表明,该算法有效地提高了复杂场景下显著性目标的检测精度,改善了显著图特征缺失与区域一致性差的问题.
文献关键词：
卷积神经网络;显著性目标检测;特征混合增强;区域增强损失
中图分类号：
作者姓名：
李春标;谢林柏;彭力
作者机构：
物联网技术应用教育部工程研究中心(江南大学 物联网工程学院),江苏 无锡 214122
文献出处：
引用格式：
[1]李春标;谢林柏;彭力-.特征混合增强与多损失融合的显著性目标检测)[J].计算机科学与探索,2022(10):2395-2404
A类：
特征混合增强,FHEM,区域增强损失,二进制交叉熵
B类：
多损失融合,显著性目标检测,目标检测算法,特征缺失,全卷积神经网络,上下文感知,CAPM,多尺度特征,特征信息,空间感知,感知模块,SAM,语义信息,全局特征,细节特征,特征聚合,FA,特征增强,RA,BCE,结构化相似,SSIM,损失函数融合,监督网络,前景区域,像素,复杂背景,图像数据集,复杂场景,检测精度,显著图
AB值：
0.294102
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。
