9、全局上下文引导的多尺度特征网络用于显著目标检测及磁致伸缩传感器阵列用于轮胎花纹检测

全局上下文引导的多尺度特征网络用于显著目标检测及磁致伸缩传感器阵列用于轮胎花纹检测

全局上下文引导的多尺度特征网络用于显著目标检测

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物体。近年来，它作为预处理步骤广泛应用于视频跟踪、目标识别和图像编辑等计算机视觉任务中。

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。随着全卷积网络的兴起，研究发现聚合多尺度和多层次特征可以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，对检测完整准确的轮廓信息至关重要。

然而，现有算法仍存在一些问题：
1. 大多数使用特征金字塔网络（FPN）结构的显著目标检测模型将深层的语义信息逐步传递到浅层，导致全局语义上下文信息丢失。
2. 显著物体的大小不同，但固定大小的卷积核只能处理固定大小的物体。因此，如何表示侧输出特征并结合这些多层次特征值得研究。

为了解决这些问题，提出了一种基于全卷积网络（FCN）的简单而有效的显著目标检测模型，即全局上下文引导的多尺度特征网络（GCMF - Net）。该模型通过将全局语义信息与多尺度侧输出特征直接融合，引导不同的侧输出特征关注有用的细节。

相关工作

• 基于手工特征的方法 ：大多数传统方法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获局部显著区域；基于全局的方法则利用图