面向复杂背景的模糊深度学习的图像显著性检测方法研究

In recent years, the new requirements of the image big data processing are becoming the new opportunities of the development of saliency detection. The complex background and object diversification problems existed in the images are the challenges from academic research and practical application. The project mainly exams the deep learning and representation, by incorporating fuzzy theory, sparse representation and the joint learning, including (1) Considering the features of object and combining the fuzzy theory, it utilizes the hierarchical representations and active learning of deep neural networks to obtain a fuzzy deep learning model for image salient object detection; (2) a sparse deep learning model is presented to enhance the generalization ability of deep neural networks. Meanwhile, it reduced the computation complexity of the huge image data; (3) understanding and simulating two remarkable perceptual and cognitive capability, a dynamic joint deep learning model is proposed to provide efficient and robust method for images saliency detection in complex background. This project has important significance to enrich the fuzzy deep learning model and perfect the application of saliency detection.

近年来，图像大数据亟待分析处理成为显著性检测技术发展的契机。针对背景复杂多样化和目标异质化问题的显著性检测是学术研究和实际应用中所要面对的挑战。本项目从深度学习的抽象表示与学习出发，结合模糊理论、稀疏表示和联合学习等理论展开以下研究：（1）综合考虑图像目标特性，从模糊理论研究入手，提出模糊深度神经网络的显著性检测方法；（2）借鉴稀疏表示理论，构造模糊深度稀疏神经网络学习模型，提高深度神经网络的泛化能力，降低处理图像大数据的计算复杂度；（3）利用生物视觉认知机理，设计动态联合模糊深度神经网络学习过程，为复杂背景下图像显著性目标检测及识别提供有效而稳健的方法。本项目研究对于丰富和完善模糊深度学习及显著性检测模型及其应用都有重要意义。

近年来，图像显著性目标检测成为计算机视觉中的一个重要的基础研究问题。针对显著性检测在学术研究和实际应用中所要面对的主要挑战：场景的复杂性和目标的多样性问题。本课题结合计算机视觉及机器学习最新研究成果，重点开展以下方面的研究工作：（1）提出一种面向复杂背景图像的卷积神经网络表示模型，引入注意机制提取显著区域的空间结构信息和显著目标信息，缓解了卷积神经网络模型存在显著目标模糊和边界不准确的问题；（2）根据人类的视觉感知机制研究发现，提出了基于前景和背景融合的显著目标检测算法，首先提取图像中注视目标区域作为前景种子，缺少注视的边界区域作为背景种子，将前景和背景种子分别作为监督信息对整个图像进行表示，能有效的高亮显著目标；（3）提出自适应图正则的低秩表示模型，将距离正则项和非负约束引入低秩表示模型中，不仅能够同时获取显著目标的全局和局部信息，而且可以获取精确的连通结构，提高显著性目标检测的精度。在项目的资助下，项目组发表科研论文4篇，项目组联合培养毕业博士生1名、毕业硕士生1名，培养在读硕士生5名。研究成果有望推动视觉显著性理论和技术的发展，促进视觉显著性检测在军事和民用领域深入研究。