典型文献
一种改进的显著性目标检测方法
文献摘要：
针对传统方法无法很好地处理复杂背景下显著目标尺度和位置变化大,导致其检测精度较低的问题,文中提出一种改进的显著性目标检测方法.该方法是由卷积神经网络(CNN)与循环神经网络(RNN)相结合的深度学习模型,首先利用显著目标的时间、空间和局部约束特征来实现全局优化;然后,通过卷积神经网络提取显著目标区域以及循环神经网络捕获时间、空间和局部约束特征来检测显著性目标,从而有效地提高复杂背景下显著性目标检测的精度.将文中算法与其他方法在公开的显著性目标数据集上进行对比,并对F-measure、MAE值进行评估.结果表明,所提算法在检测精度和速度方面均有良好的效果,相比于其他方法,该算法对绝大部分实验数据可进行精确的定位检测,包括单个目标、多个目标检测以及光线不良的夜晚条件检测等情况,且具有最低的MAE值,能够提升模型的检测性能.
文献关键词：
计算机视觉;卷积神经网络;循环神经网络;显著性目标检测;INO数据集;动态显著性;静态显著性
中图分类号：
作者姓名：
李旭健;齐迎雪
作者机构：
山东科技大学 计算机科学与工程学院,山东 青岛 266590
文献出处：
引用格式：
[1]李旭健;齐迎雪-.一种改进的显著性目标检测方法)[J].现代电子技术,2022(20):129-133
A类：
动态显著性,静态显著性
B类：
显著性目标检测,目标检测方法,复杂背景,显著目标,标尺,检测精度,循环神经网络,RNN,深度学习模型,局部约束,全局优化,目标区域,捕获时间,其他方法,measure,MAE,绝大部分,定位检测,光线,夜晚,检测性能,计算机视觉,INO
AB值：
0.302484
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。
