论文部分内容阅读
全卷积神经网络(FCN)高效的特征提取能力极大地提升了显著性目标检测算法的性能.然而现有算法依靠简单的特征拼接或相加等融合策略无法有效地增强特征,导致算法在复杂场景中的目标误检和漏检问题依然突出.文中提出基于场景的针对性特征增强方法来提高显著性目标检测算法的性能.首先,目标误检多发生于背景复杂且目标和背景元素交织的场景,文中分别从特征全局性增强和特征结构化增强角度解决目标误检问题;其次,针对目标漏检一般发生在目标的内部和边缘,基于残差学习从背景中学习丢失目标的信息,修复丢失的目标内部和边缘区域;最后,在5个基准数据集上与其他13种先进的方法进行实验对比,结果表明文中所提模型的各性能评价指标均优于其他13种方法,显著地解决了复杂场景中的目标误检和漏检问题.