9、基于多尺度特征的显著目标检测与磁致伸缩传感器阵列在轮胎花纹检测中的应用

基于多尺度特征的显著目标检测与磁致伸缩传感器阵列在轮胎花纹检测中的应用

1. 显著目标检测研究背景与现状

显著目标检测旨在模拟人类视觉感知，从杂乱背景中定位并分割出具有精确轮廓的最显著对象。近年来，它作为预处理步骤，在视频跟踪、目标识别和图像编辑等众多计算机视觉任务中得到广泛应用。

随着卷积神经网络（CNN）在计算机视觉任务中展现出强大的特征表示和学习能力，研究人员将其引入显著目标检测领域。基于深度特征的显著性检测算法利用语义特征，取得了较好的检测性能。特别是全卷积网络的兴起，让研究人员发现多尺度和多层次特征的聚合能够提升显著目标检测模型的性能，因为低层次和中层次特征包含丰富的结构和细节信息，对于检测完整准确的轮廓信息至关重要。

然而，现有的算法仍存在一些问题：
- 大多数使用特征金字塔网络（FPN）结构的显著目标检测模型，会逐步将深层的语义信息传递到浅层，导致全局语义上下文的丢失。
- 显著对象的大小各不相同，但固定大小的卷积核只能处理固定大小的对象。因此，如何表示侧输出特征并组合这些多层次特征值得深入研究。

2. 相关工作

2.1 基于手工特征的方法

大多数传统方法首先将图像分割成超像素，然后使用低层次和中层次特征以及各种先验知识来计算显著性。基于局部的方法利用每个超像素的颜色对比度或独特性来捕捉局部显著区域；基于全局的方法则通过使用图像的整体信息来计算每个超像素的显著性。但由于这些基于手工特征的方法无法有效利用语义信息，难以从复杂图像中准确检测和完全分割显著对象。

2.2 基于深度特征的方法

近年来，基于卷积神经网络的检测方法显著提高了检测性能