基于全卷积网络的显著性检测技术研究

In order to resolve fuzzy boundaries, inaccuracy in image saliency detection, and inconsistence of spatio-temporal in videos, we research the saliency detection based on fully convolutional networks. On the basis of fully convolutioanl networks model, we research the image saliency detection based on multi-scale two-level fully convolutional networks, to overcome the shortcoming of fuzzy boundaries.This research play an important role in target recognition, compression, and segmentation. It is advantageous to promote the development of these technologies. It is the basis of study artificial intelligence, and which is useful in many related applications.

本项目针对显著性检测时易产生边界模糊、在复杂背景和有多个显著目标时检测准确性不足和视频检测易出现时空不一致等问题，研究基于全卷积网络的显著性检测技术。主要集中在研究全卷积网络模型的基础上，研究多尺度两级全卷积网络的图像显著性检测算法，克服图像显著性检测时存在的边界模糊的缺点；本项目对于显著性检测技术的研究为后续的编辑处理如目标识别、压缩、分割等打下坚实的理论基础，促进相关技术的快速发展，为当前人工智能的深入研究奠定基础，具有较强的研究和应用价值。

显著性检测是计算机视觉领域近年来的一个研究热点，在真实场景下进行有效的显著性目标检测和分析对于大量实际任务都具有非常重要的意义，因此本项目的研究内容具有学术和实际研究价值。..本项目主要围绕计划书中基于全卷积网络的显著性检测技术的核心内容，结合目前人工智能、图像和视频大数据智能处理技术的研究热点和发展趋势，按照既定的研究计划开展工作，取得了超出预期的研究成果。主要针对显著性检测时易产生边界模糊、复杂背景时检测准确性不足等问题，提出了基于传统方法的多尺度全局线索的显著性检测算法、改进的凸包先验的显著性检测算法、基于凸包改进的流行排序显著性检测算法来改善显著性检测中存在的问题，并在传统算法的基础上，深入研究目前的热点全卷积网络，提出了基于最小显著区域回归的螺旋共享网络显著性检测和融合无监督特征提取层的深度卷积显著性检测等基于网络模型的一系列显著性检测的创新研究算法，并将显著性检测技术进行拓展应用，研究了图像去雨、风格迁移等相关内容。..本项目团队成员完成并发表了 4篇学术论文，其中期刊论文 3 篇（在本领域顶级期刊 IEEE Transactions on Multimedia 和 Information Sciences 上各发表了一篇关于显著性检测的高水平论文，在CCF指定的A类中文核心期刊计算机辅助设计与图形学学报上发表一篇显著性检测文章）、会议论文 1 篇（CCF B 类会议ICASSP2019 ），在投一篇CCF指定的A类中文核心期刊计算机辅助设计与图形学学报文章，投稿一篇TMM顶级期刊，目前大修。申请发明专利 3项，获批软件著作权1项。项目负责人林晓指导和协助指导研究生9名。.