La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Parallel Feature Network For Saliency Detection Réseau de fonctionnalités parallèles pour la détection de saillance

Zheng FANG, Tieyong CAO, Jibin YANG, Meng SUN

  • Vues en texte intégral

    0

  • Citer

Résumé:

La détection de saillance est largement utilisée dans de nombreuses tâches de vision telles que la récupération d'images, la compression et la réidentification de personnes. Les méthodes d’apprentissage profond ont obtenu d’excellents résultats, mais la plupart d’entre elles se sont davantage concentrées sur les performances et ont ignoré l’efficacité des modèles, difficiles à transplanter dans d’autres applications. Comment concevoir un modèle efficace est donc devenu le principal problème. Dans cette lettre, nous proposons un réseau de fonctionnalités parallèles, un modèle de saillance construit sur un réseau neuronal à convolution (CNN) par une méthode parallèle. Des blocs de dilatation parallèles sont d'abord utilisés pour extraire des caractéristiques de différentes couches de CNN, puis une structure de suréchantillonnage parallèle est adoptée pour suréchantillonner les cartes de caractéristiques. Enfin, les cartes de saillance sont obtenues en fusionnant des sommations et des concaténations de cartes de caractéristiques. Notre modèle final construit sur VGG-16 est beaucoup plus petit et plus rapide que les modèles de saillance existants et atteint également des performances de pointe.

Publication
IEICE TRANSACTIONS on Fundamentals Vol.E102-A No.2 pp.480-485
Date de publication
2019/02/01
Publicisé
ISSN en ligne
1745-1337
DOI
10.1587/transfun.E102.A.480
Type de manuscrit
LETTER
Catégories
Image(s)

Auteurs

Zheng FANG
  Army Engineering University
Tieyong CAO
  Army Engineering University
Jibin YANG
  Army Engineering University
Meng SUN
  Army Engineering University

Mots-clés

Table des matières