基于Faster R-CNN的显著性目标检测方法
    点此下载全文
引用本文:赵永彬1,李巍1,刚毅凝1,王鸥1,郝跃冬2,刘铭坚3.基于Faster R-CNN的显著性目标检测方法[J].计算技术与自动化,2019,(2):96-101
摘要点击次数: 87
全文下载次数: 0
作者单位
赵永彬1,李巍1,刚毅凝1,王鸥1,郝跃冬2,刘铭坚3 (1. 国网辽宁省电力有限公司辽宁 沈阳 110004 2. 南瑞集团有限公司(国网电力科学研究院有限公司)江苏 南京 211000 3.南京航空航天大学 计算机科学与技术学院江苏 南京 211106) 
中文摘要:显著性目标检测成为计算机视觉领域中的研究热点问题之一,但目前的方法在面对前景和背景对比度不强及复杂背景的图像时,较难取得好的检测效果。融合多尺度超像素分割方法,提出一种在背景信息相对复杂的场景中基于Faster R-CNN的显著性目标检测方法。首先对图像进行多尺度超像素分割,同时利用Faster R-CNN对图像进行目标检测,根据似物性特点对超像素进行显著性筛选,得到初始目标位置特征后进行显著性检测及优化,最后使用元胞自动机方法对多尺度超像素显著性图进行融合。通过在特定类数据集进行实验,与已有典型显著性检测进行对比分析,验证了本文方法在背景复杂的图像中可提升显著性目标检测的精度。
中文关键词:视觉显著性  目标检测  元胞自动机  超像素分割
 
Salient Object Detection Based on Faster R-CNN
Abstract:Saliency detection becomes an important topic in computer vision. However,most of existing approaches often fail when the contrast between foreground and background is similar or in complex background. We propose a salient object detection based on Faster R-CNN. It extracts the salient object in the background with relatively complex information by combining multi-scale superpixel segmentation. Firstly,we segment the input image using multi-scale superpixel segmentation and detect the object by Faster R-CNN. Secondly,according to the objectness of the object,the salient superpixels are selected and obtain the original position of the object,and the salient map is highlighted and optimized. Lastly,we use Multi-layer Cellular Automata(MCA) to fuse the multi-scale superpixel salient maps and gain the final salient maps. We evaluate the proposed approach on specific dataset and compare with the state-of-art method,which prove our approach can improve the salient object detection accuracy with the complex background and clutter scene.
keywords:visual saliency  object detection  cellular Automata  superpixel segmentation
查看全文   查看/发表评论   下载pdf阅读器