基于选择性注意机制的目标区域提取研究*

王奕婷 高美珍 洪家平 陈英豪 乔丰收

（1.北京师范大学人工智能学院 北京 100875）（2.湖北师范大学物理与电子科学学院 黄石 435002）

（3.湖北师范大学计算机科学与技术学院 黄石 435002）

（4.中国人民解放军91919部队 黄冈 438000）（5.武汉船舶通信研究所 武汉 430079）

1 引言

在目标检测［1～3］领域，传统的方法如方向梯度直方图结合支持向量机［4～5］的算法在实时性和准确率之间达到平衡，但对于遮挡和目标方向改变的情况存在漏检。为使结果更加精确，基于区域候选［6～7］的方法被提出并大量探索。这类方法先提取目标备选区域，然后训练神经网络以实现目标检测。但在保证准确率的前提下，候选区域提取方法有一定计算复杂度且生成候选框的数量较多，造成后续训练和测试的计算量大，难以应用于实时监测的场景。

在现有模型的基础上，引入选择性注意机制［8～9］能够更加高效地实现目标备选区域提取。Ji等人在卷积神经网络中引入多尺度注意机制［10］产生显著性映射图，并在多个数据集上达到了更高的检测精度。赵谦等［11］借鉴视觉注意模型生成显著图，能够滤除部分干扰并对目标区域进行增强以达到更高的准确率。但随着外界环境的变化与目标数量的增加，该方法表现欠佳且实时性不够，需要更加高效的视觉注意机制模型。

近年来，构建基于注意机制的算法模型逐渐成为研究热点，并被广泛应用于分类［12～13］、检测［14］与分割［15］、目标跟踪与识别［16～17］、质量评估［18］等多个领域。Itti等提出一种基于视觉注意的系统［19］，融合多尺度图像特征并进行叠加构建显著图，能够减少背景噪声的干扰并实现不同场景下的目标区域提取，但处理后图像的边缘信息丢失。……