Сквозная глубокая нейронная сеть для обнаружения заметных объектов в сложных средах

Краткое содержание

Настоящий протокол описывает новый сквозной алгоритм обнаружения заметных объектов. Он использует глубокие нейронные сети для повышения точности обнаружения заметных объектов в сложных условиях окружающей среды.

Аннотация

Обнаружение заметных объектов стало растущей областью интереса в области компьютерного зрения. Тем не менее, преобладающие алгоритмы демонстрируют меньшую точность, когда им поручено обнаруживать заметные объекты в сложных и многогранных средах. В свете этой насущной проблемы в данной статье представлена сквозная глубокая нейронная сеть, предназначенная для обнаружения заметных объектов в сложных средах. В исследовании представлена сквозная глубокая нейронная сеть, целью которой является обнаружение заметных объектов в сложных средах. Состоящая из двух взаимосвязанных компонентов, а именно многомасштабной полной сверточной сети на уровне пикселей и сети глубоких кодеров-декодеров, предлагаемая сеть интегрирует контекстуальную семантику для создания визуального контраста между многомасштабными картами признаков, используя при этом глубокие и поверхностные характеристики изображений для повышения точности идентификации границ объектов. Интеграция полносвязной модели условного случайного поля (CRF) еще больше повышает пространственную когерентность и контурное очерчивание карт выдающихся. Предложенный алгоритм всесторонне оценен в сравнении с 10 современными алгоритмами в базах данных SOD и ECSSD. Результаты оценки показывают, что предложенный алгоритм превосходит другие подходы по точности и достоверности, тем самым подтверждая его эффективность при обнаружении заметных объектов в сложных условиях.

Введение

Функция обнаружения заметных объектов имитирует зрительное внимание человека, быстро определяя ключевые области изображения, подавляя фоновую информацию. Этот метод широко используется в качестве инструмента предварительной обработки в таких задачах, как обрезка изображений¹, семантическая сегментация² и редактирование изображений³. Он оптимизирует такие задачи, как замена фона и извлечение переднего плана, повышая эффективность и точность редактирования. Кроме того, он помогает в семантической сегментации, улучшая целевую локализацию. Потенциал обнаружения заметных объектов для повышения вычислит....

Протокол

1. Экспериментальная установка и процедура

1. Загрузите предварительно обученную модель VGG16.
   ПРИМЕЧАНИЕ: Первым шагом является загрузка предварительно обученной модели VGG16 из библиотеки Keras⁶.
   1. Чтобы загрузить предварительно обученную модель VGG16 в Python с помощью популярных библиотек глубокого обучения, таких как PyTorch (см. Таблицу материалов), выполните следующие общие действия:
      1. Импорт резака. Импортируйте torchvision.models в качестве моделей.
      2. Загрузите предварительно обученную модель VGG16. vgg16_model = models.vgg16(pretrained=Tr....

Результаты

В этом исследовании представлена сквозная глубокая нейронная сеть, состоящая из двух взаимодополняющих сетей: многомасштабной полностью сверточной сети на уровне пикселей и сети глубоких кодеров-декодеров. Первая сеть интегрирует контекстуальную семантику для получения визуальных контрастов из многомасштабных карт признаков, решая проблему фиксированных рецептивных полей в глубоких нейронных сетях на разных уровнях. Вторая сеть использует как глубокие, так и поверхностные элементы изображения, чтобы смягчить проблему раз.......

Обсуждение

В статье представлена сквозная глубокая нейронная сеть, специально разработанная для обнаружения заметных объектов в сложных средах. Сеть состоит из двух взаимосвязанных компонентов: многомасштабной полностью сверточной сети пиксельного уровня (DCL) и сети глубоких кодеров-декодеров (DEDN). Эти компоненты работают синергетически, включая контекстуальную семантику для создания визуальных контрастов в многомасштабных картах признаков. Кроме того, они используют как глубокие, так и поверхностные элементы изображения для пов.......

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Matlab	MathWorks	Программный интерфейс MATLAB предоставляет	инструменты разработки для улучшения качества кода, удобства обслуживания и максимизации производительности. Предоставляет инструменты для создания приложений с использованием пользовательских графических интерфейсов. Предоставляет инструменты для объединения алгоритмов на основе MATLAB с внешними приложениями и языками
Процессор	Intel	Intel(R) Core (TM) 11-го поколения i5-1135G7 @ 2.40GHz	64-битный процессор Win11
Pycharm	JetBrains	PyCharm 3.0	PyCharm - это интегрированная среда разработки Python (Интегрированная среда разработки) список необходимых модулей python: modulesmatplotlib skimage torch os time pydensecrf opencv glob PIL torchvision numpy tkinter
PyTorch	Facebook	PyTorch 1.4	PyTorch — это библиотека машинного обучения Python с открытым исходным кодом, основанная на Torch, используемая для обработки естественного языка и других приложений. PyTorch можно рассматривать как дополнение поддержки графического процессора numpy, но также можно рассматривать как мощную глубокую нейронную сеть с автоматическими производными.