典型文献
基于特征融合和反馈细化的光场图像显著性检测
文献摘要：
现有的光场图像显著性检测算法不能有效地衡量聚焦度信息,从而影响了检测目标的完整性,造成信息的冗余和边缘模糊.考虑到焦堆栈不同的图像及全聚焦图像对于显著性预测发挥着不同的作用,提出有效通道注意力(ECA)网络和卷积长短期记忆模型(ConvLSTM)网络组成特征融合模块,在不降低维度的情况下自适应地融合焦堆栈图像和全聚焦图像的特征;然后由交互特征模块(CFM)组成的反馈网络细化信息,消除特征融合之后产生的冗余信息;最后利用ECA网络加权高层特征,更好地突出显著性区域,从而获得更加精确的显著图.所提网络在最新的数据集中,F-measure和平均绝对误差(MAE)分别为0.871和0.049,表现均优于现有的红、绿、蓝(RGB)图像、红、绿、蓝和深度(RGB-D)图像以及光场图像的显著性检测算法.实验结果表明,提出网络可以有效分离焦堆栈图像的前景区域和背景区域,获得较为准确的显著图.
文献关键词：
图像处理;显著性检测;深度学习;光场图像;卷积神经网络
中图分类号：
作者姓名：
梁晓;邓慧萍;向森;吴谨
作者机构：
武汉科技大学信息科学与工程学院,湖北武汉430081;武汉科技大学冶金自动化与检测技术教育部工程研究中心,湖北武汉430081
文献出处：
引用格式：
[1]梁晓;邓慧萍;向森;吴谨-.基于特征融合和反馈细化的光场图像显著性检测)[J].激光与光电子学进展,2022(22):122-130
A类：
B类：
光场图像,图像显著性,显著性检测,检测算法,堆栈,全聚焦,通道注意力,ECA,长短期记忆模型,ConvLSTM,组成特征,特征融合模块,不降,低维,下自,交互特征,CFM,反馈网络,冗余信息,显著性区域,显著图,measure,平均绝对误差,MAE,RGB,有效分离,离焦,前景区域,背景区域
AB值：
0.384894
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。
