电子学报 ›› 2021, Vol. 49 ›› Issue (4): 768-774.DOI: 10.12263/DZXB.20200488

• 学术论文 • 上一篇    下一篇

融合小型深度生成模型的显著性检测

陈星宇1, 叶锋1,2, 黄添强1,2, 翁彬1,2, 陈家祯1,2, 林文忠3   

  1. 1. 福建师范大学数学与信息学院, 福建福州 350117;
    2. 数字福建大数据安全技术研究所, 福建福州 350117;
    3. 福建省信息处理与智能控制重点实验室(闽江学院), 福建福州 350108
  • 收稿日期:2020-05-21 修回日期:2020-10-08 出版日期:2021-04-25 发布日期:2021-04-25
  • 通讯作者: 叶锋
  • 作者简介:陈星宇 男,1993年生于福建福州.现为福建师范大学计算机应用技术专业硕士研究生,主要研究方向为显著性检测、深度学习.E-mail:1052281512@qq.com;黄添强 男,1971年生于福建莆田.现为福建师范大学教授、博士生导师.主要研究方向为人工智能、机器学习、数据挖掘及其应用.E-mail:huangtianqiang@fjnu.edu.cn;翁彬 男,1981年生于福建福州.现为福建师范大学讲师、硕士生导师.主要研究方向为深度学习及其应用.E-mail:wengbin@fjnu.edu.cn;陈家祯 女,1972年生于福建福州.现为福建师范大学副教授、硕士生导师.主要研究方向为视频图像处理.E-mail:jiazhen_chen@fjnu.edu.cn;林文忠 男,1964年生于福建福州.现为闽江学院教授.主要研究方向为智能控制技术、电力电子变换技术.E-mail:5806526@qq.com
  • 基金资助:
    国家自然科学基金(No.61671077);福建省自然科学基金(No.2017J01739,No.2018J01779);闽江学院福建省信息处理与智能控制重点实验室开放基金(No.MJUKF-IPIC201810)

Saliency Detection Combined with Small-Scale Deep Generation Model

CHEN Xing-yu1, YE Feng1,2, HUANG Tian-qiang1,2, WENG Bin1,2, CHEN Jia-zhen1,2, LIN Wen-zhong3   

  1. 1. College of Mathematics and Informatics, Fujian Normal University, Fuzhou, Fujian 350117, China;
    2. Digital Fujian Institute of Big Data Security Technology, Fuzhou, Fujian 350117, China;
    3. Fujian Provincial Key Laboratory of Information Processing and Intelligent Control(Minjiang University), Fuzhou, Fujian 350108, China
  • Received:2020-05-21 Revised:2020-10-08 Online:2021-04-25 Published:2021-04-25

摘要: 针对基于深度神经网络模型的显著性检测方法中存在的模型训练困难、模型参数量大以及检测速度慢等问题,本文提出了一种融合小型深度生成模型的显著性检测方法.方法以生成对抗网络为框架,设计了包含11个卷积模块和5个池化层的鉴别器网络以及不包含池化层,仅包含15个卷积模块和5个转置卷积模块的小型生成器网络.其中,小型生成器网络大小仅2.4M,参数量仅67万左右.将训练好的小型生成器用于显著性检测,并与LMB (融合背景块再选取过程的显著性检测)算法通过设计的融合算法进行融合,从而得到最终结果.通过大量的实验对比分析表明,提出的方法在F值和MAE (Mean Absolute Error)值上均取得大幅提升.

关键词: 显著性检测, 深度神经网络, 生成对抗网络, 小型生成器网络, 融合算法

Abstract: Aiming at the difficulties of model training,large amount of model parameters,and slow detection speed in the saliency detection method based on deep neural network models,this paper proposes a saliency detection method that integrates small deep generative models.The method uses the generative adversarial network as the framework,designs a discriminator network consisting of 11 convolution modules and 5 pool layers,as well as a small generator network that does not contain the pool layer,including only 15 convolution modules and 5 transposed convolution modules.Among them,the size of the small generator network is only 2.4M,and the amount of parameters is only about 670,000.A trained small generator is used for saliency detection and fused with the LMB(Salient object detection based on background block re-selection method) algorithm through the designed fusion algorithm to get the final result.A large number of experiments and comparative analysis show that the proposed method has achieved significant improvements in both F value and MAE (Mean Absolute Error) value.

Key words: saliency detection, deep neural network, generative adversarial networks, small generation network, fusion algorithm

中图分类号: