面向复杂场景的显著性检测方法研究

Saliency detection is one of the hot issues in the research field of computer vision, which has important theoretical and practical value. In order to improve the accuracy and efficiency of saliency detection algorithms in complex scenes, this project researches saliency detection methods in complex scenes from different aspects including saliency feature extraction, feature fusion, saliency calculation, evaluation criterion and experimental dataset. The research contents are as follows: (1) multi-scale and multi-level saliency feature extraction methods are proposed to describe the diversity contents of complex scenes; (2) feature fusion strategy and saliency calculation model are proposed in a data-driven manner; (3) an effective evaluation criterion for saliency detection method is presented and a large-scale complex scene experimental dataset is established; (4) a integrated experimental system of saliency detection based on depth learning is developed. The research results of this project will further enrich and develop the theory of visual saliency detection, and provide some technical support for higher-level image analysis and image understanding tasks.

显著性检测方法是计算机视觉研究领域的热点问题之一，具有重要的理论与应用价值。项目围绕复杂场景中的显著目标检测问题，以提高复杂场景中显著性检测算法的准确性和效率为目标，从显著性特征提取、特征融合、显著性计算、评价准则以及实验数据集等多方面开展研究。研究内容包括：（1）针对复杂场景的内容多样性，研究多尺度、多层次的显著特征提取方法；（2）从数据驱动的角度出发，研究基于深度学习框架的特征融合策略及显著性计算模型；（3）研究有效的显著性检测算法的评价方法并建立大规模的复杂场景实验数据集；（4）基于上述理论成果，研制基于深度学习的显著性检测集成实验系统。本项目的研究成果将进一步丰富和发展视觉显著性检测理论，为更高层的图像分析、图像理解等任务提供一定的技术支持。

显著性检测是获取视觉数据中最显著的目标或区域的一种技术，是计算机视觉及相关领域的重要研究内容，已广泛应用于目标跟踪、无人驾驶和图像检索等计算机视觉任务中。基于传统手工特征的显著性目标检测算法可有效应用于一般场景，但是由于这些算法提取的特征缺少足够的语义信息，导致在较复杂场景下这些算法不再适用，因此复杂场景下的显著性目标检测仍需进一步研究。. 项目以复杂视觉场景为研究对象，围绕图像数据的预处理、特征表示及显著性检测等问题，系统开展了图像去噪、特征提取、特征降维、特征融合、深度学习网络模型的选择和构建、模型优化、算法评价及应用等方面的研究，主要研究内容包括：研究高效的图像预处理方法，降低复杂场景中的不同类型噪声对后续算法的影响；研究不同尺度、不同视觉层次的可区分显著性特征提取和选择方法，从不同角度对显著目标进行有效描述和表示；研究多种特征融合的深度学习网络检测模型，产生快速准确的像素级显著性检测结果；研究面向显著性的检测算法评价准则，构建复杂场景的实验数据集；开发基于深度学习的显著性检测实验系统。. 课题组按照项目计划书中的任务要求开展了研究工作，并取得了一系列理论和应用研究成果：提出了复杂场景预处理、特征提取及特征表示算法，提高了深度神经网络对于复杂多变场景目标检测的效率和性能；提出了图像处理、稀疏学习、流形学习、深度学习等多种数据处理技术相融合的高效显著性检测算法，形成了面向复杂场景的显著性特征分析、深度神经网络构建、算法评价方法，丰富了图像特征提取和深度学习研究成果；构建了大型实验数据集并开发了基于深度学习的显著性检测实验系统，深入探索提高复杂场景显著性目标检测的理论与方法。