کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6863010 1439402 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Salient object detection based on multi-scale contrast
ترجمه فارسی عنوان
تشخیص شیء برجسته بر اساس کنتراست چند مقیاس
کلمات کلیدی
تشخیص سلامت، ساده سازی تصویر، یادگیری عمیق، شبکه باقی مانده،
ترجمه چکیده
با توجه به توسعه شبکه های یادگیری عمیق، تشخیص شیء برجسته بر اساس شبکه های آموزشی عمیق، که برای استخراج ویژگی ها استفاده می شود، در مقایسه با روش های سنتی پیشرفت بزرگی کرده است. در حال حاضر تشخیص شیء برجسته به طور عمده به شبکه بسیار پیچیده متشکل از پیچیدگی متصل است که برای استخراج ویژگی ها استفاده می شود. در شبکه های آموزشی عمیق، افزایش قابل ملاحظه عمق شبکه ممکن است به جای آن خطاهای آموزش بیشتری را ایجاد کند. در این مقاله، ما از شبکه باقی مانده استفاده می کنیم تا عمق شبکه را افزایش داده و خطاهای ناشی از افزایش عمق را به طور همزمان کاهش دهیم. با الهام از ساده سازی تصویر، ما از ویژگی های رنگ و بافت برای به دست آوردن تصویر ساده با مقیاس های چندگانه با استفاده از منطقه جذب بر اساس فوق العاده پیکسل ها، به منظور کاهش پیچیدگی تصاویر و بهبود دقت تشخیص هدف برجسته استفاده می کنیم. ما این ویژگی را بر اساس سطح پیکسل با روش اصلاح ویژگی چندگانه برای جلوگیری از خطای ویژگی در هنگام ساده سازی تصویر در سطح منطقه فوق ذکر می کنیم. لایه اتصال نهایی کامل نه تنها ویژگی های چند سطح و چند سطح را ادغام می کند بلکه همچنین به عنوان طبقه بندی اهداف برجسته عمل می کند. نتایج تجربی نشان می دهد که مدل پیشنهادی نتایج بهتر از سایر مدل های تشخیص شیء برجسته بر اساس شبکه های اصلی یادگیری عمیق است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
تشخیص شیء برجسته بر اساس کنتراست چند مقیاس
چکیده انگلیسی
Due to the development of deep learning networks, a salient object detection based on deep learning networks, which are used to extract the features, has made a great breakthrough compared to the traditional methods. At present, the salient object detection mainly relies on very deep convolutional network, which is used to extract the features. In deep learning networks, an dramatic increase of network depth may cause more training errors instead. In this paper, we use the residual network to increase network depth and to mitigate the errors caused by depth increase simultaneously. Inspired by image simplification, we use color and texture features to obtain simplified image with multiple scales by means of region assimilation on the basis of super-pixels in order to reduce the complexity of images and to improve the accuracy of salient target detection. We refine the feature on pixel level by the multi-scale feature correction method to avoid the feature error when the image is simplified at the above-mentioned region level. The final full connection layer not only integrates features of multi-scale and multi-level but also works as classifier of salient targets. The experimental results show that proposed model achieves better results than other salient object detection models based on original deep learning networks.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neural Networks - Volume 101, May 2018, Pages 47-56
نویسندگان
, , , , ,