摘要：伪装目标检测旨在检测隐藏在复杂环境中的高度隐蔽物体,在医学、农业等多个领域有重要应用价值.现有方法结合边界先验过分强调边界区域,对伪装目标内部信息的表征不足,导致模型对伪装目标的内部区域检测不准确.同时,已有方法缺乏对伪装目标前景特征的有效挖掘,使背景区域被误检为伪装目标.为解决上述问题,本文提出一种基于边界特征融合和前景引导的伪装目标检测方法,该方法由特征提取、边界特征融合、主干特征增强和预测等若干个阶段构成.在边界特征融合阶段,首先,通过边界特征提取模块获得边界特征并预测边界掩码;然后,边界特征融合模块将边界特征和边界掩码与最低层次的主干特征有效融合;同时,加强伪装目标边界位置及内部区域特征.此外,设计前景引导模块,利用预测的伪装目标掩码增强主干特征,即将前一层特征预测的伪装目标掩码作为当前层特征的前景注意力,并对特征执行空间交互,提升网络对空间关系的识别能力,使网络关注精细而完整的伪装目标区域.本文在4个广泛使用的基准数据集上的实验结果表明,提出的方法优于对比的19个主流方法,对伪装目标检测任务具有更强鲁棒性和泛化能力.

摘要：针对图像显著性检测问题,提出一种基于通勤距离度量区域显著性,并提取图像中重要目标的方法.首先用聚类算法检测图像边界的背景种子点,构建初始背景先验图;其次利用显著点构建包围显著目标的凸包,提取凸包内前景种子点诱导其他区域的显著性值,从而得到改进的凸包先验图;最后将2个先验图融合得到最终的显著图.该算法中涉及的区域间的特征对比均应用了新颖而鲁棒的通勤距离.实验结果表明,通勤距离能够更准确有效地度量区域间的相似性,比传统的测地距离和欧氏距离更加优越,并优于现有的大多数算法.

摘要：现有的基于背景先验的显著性算法模型中存在先验区域选取不合理的问题,导致计算出的前景区域不准确,影响最终结果。针对该问题提出了基于对比度优化流形排序的显著目标检测算法。利用图像边界信息找出背景先验,设计出采用显著期望、局部对比度以及全局对比度三个指标来衡量先验质量的算法,并根据先验质量设计带权加法,代替简单乘法融合显著先验,从而使显著先验更加准确。从先验中提取显著区域时,更改了选取阈值的策略,更合理地选取出前景区域,再利用流形排序得到显著性图,从而使显著性检测结果更加准确。实验结果表明,与同类算法相比,所提算法突出显著区域,减少噪声,更符合人类视觉感知,并在处理时间上领先于深度学习方法。

摘要：为实时准确实现奶山羊场图像的目标检测,以最小障碍距离为基础,提出一种显著目标检测方法。对基于最小障碍距离的FastMBD算法进行改进,并进行距离变换生成距离图,初步消除背景干扰;通过计算边界先验显著度得到边界先验图,进一步消除背景影响;利用指数融合的方法融合距离图与边界先验图并进行后处理,实现奶山羊场图像的显著目标检测。利用基于K-Means算法的阈值分割方法分离目标和背景,通过水平扫描法和划线法实现羊只目标的提取及计数。实验结果表明,该方法对于奶山羊场图像目标检测的准确率可达90.962%。