用于显著性检测的深度监督递归卷积神经网络
计算机视觉与模式识别
2016-08-19 v1
摘要
本文通过开发一种深度监督递归卷积神经网络（DSRCNN），提出了一种新颖的显著性检测方法，该方法执行完整的图像到图像显著性预测。对于显著性检测而言，显著目标的局部、全局和上下文信息对于获得高质量的显著图至关重要。为实现此目标，DSRCNN 基于 VGGNet-16 设计。首先，在每个卷积层中引入递归连接，这可以使模型在学习上下文信息方面更加强大。其次，添加侧输出层以执行深度监督操作，这可以通过影响中间层使模型学习到更具判别力和鲁棒性的特征。最后，融合所有侧输出以整合局部和全局信息，得到最终的显著性检测结果。因此，DSRCNN 结合了递归卷积神经网络和深度监督网络的优点。在五个基准数据集上对 DSRCNN 模型进行了测试，实验结果表明，所提出的方法在所有测试数据集上均显著优于最先进的显著性检测方法。
引用
@article{arxiv.1608.05177,
title = {Deeply-Supervised Recurrent Convolutional Neural Network for Saliency Detection},
author = {Youbao Tang and Xiangqian Wu and Wei Bu},
journal= {arXiv preprint arXiv:1608.05177},
year = {2016}
}
备注
5 pages, 5 figures, accepted by ACMMM 2016