基于卷积神经网络的显著性检测*

李亚茹

(上海海事大学 信息工程学院，上海 201306)

基于卷积神经网络的显著性检测*

李亚茹

(上海海事大学 信息工程学院，上海 201306)

显著性检测在图像处理领域应用广泛，当前显著性检测主要有自底而上与自顶而下及一些相关或改进算法，它们各有优势和缺陷。提出了一种基于卷积神经网络的显著性检测算法，利用卷积神经网络在图像处理方面强大的功能提取图像特征，进行特征融合，最后得到显著性图，用于显著性检测。将本文方法与传统的显著性检测方法进行对比，发现本文方法效果显著。

卷积神经网络；特征提取；显著性检测

0 引言

显著性检测技术广泛应用于图像压缩、检索、识别等图像处理领域，因此需要更加高效鲁棒的显著性检测方法来处理不同的图像。早期KOCH C与UIIMAN S提出了非常有影响力的生物启发模型[1]；南加州大学iLab实验室的ITTI L教授及其学生对生物启发的机器人视觉定位研究[2]，应用在医学诊断等各方面[3]；ITTI L等人最早提出了基于生物视觉机制的注意力模型(Attention-Model)[4]，在2013年的论文中发现ITTI及他的学生利用分析分数、数据设置和模型来确定显著性区域[5]，但是该方法只是对对比度比较明显的显著性区域效果好。侯晓迪等人在图像的频域[6]进行计算，研究了图像的频谱特性，用图像的“剩余谱”来表示图像的显著性区域[7]；侯晓迪提出的频域残差法(Spectral Residual)[8]，对数学的应用发挥到极致；Guo Chenlei等人在频域残差法(Spectral Residual)[9]的基础上提出相位谱(Phase Spectrum)方法，但是这些频域的方法普遍存在对背景复杂的区域处理不好、准确度不高和容易遗失有用信息的问题。……