文献类型：期刊文献

中文题名：基于深度学习的显著区域提取方法

英文题名：Deep Learning Based Salient Region Detection

作者：梁晔[1,2];马楠[2];刘宏哲[1]

第一作者：梁晔

机构：[1]北京联合大学信息服务工程重点实验室,北京100101;[2]北京联合大学机器人学院,北京100044

第一机构：北京联合大学北京市信息服务工程重点实验室

年份：2020

卷号：35

期号：3

起止页码：474-482

中文期刊名：数据采集与处理

外文期刊名：Journal of Data Acquisition & Processing

收录：CSTPCD;;Scopus;北大核心:【北大核心2017】；CSCD:【CSCD_E2019_2020】；

基金：北京市自然科学基金(4182022)资助项目;国家自然科学基金(61871038,61871039)资助项目;北京联合大学人才强校优选计划领军计划(BPHR2020AZ02)资助项目。

语种：中文

中文关键词：深度学习;显著区域;多尺度

外文关键词：deep learning;salient region;multi-scale

摘要：目前显著区域提取方法通常会设计多个复杂的网络结构,导致计算和存储代价较高。深度学习网络本身具有多尺度的特点,不同的卷积层特征具有不同的空间分辨率,可以避免复杂网络结构的设计。基于此,本文设计了一种新颖的基于深度学习的显著性检测网络,既考虑了特征的多尺度特点,又考虑了图像中显著区域的大小对显著区域检测结果的影响。实验中以流行的基准数据集作为实验对象,结果证明了本文方法的优越性能。
Several complex networks are usually designed in salient region detection to detect saliency,which inevitably leads to very high computational and storage costs.The deep learning network has the characteristics of multi-scale and different convolution layers have different spatial resolutions,thus the design of complex network structure can be avoided.In this paper,a novel convolution neural network is designed by taking advantage of multi-scale characteristics.Both the multi-scale features and the influence of the size of salient regions are considered to saliency detection.Experiments show the superiority of our method on popular benchmark datasets.