摘要：为了提高显著性目标分割的准确性,提出了一种基于边缘及多尺度特征融合的显著性目标检测方法。该方法首先利用ResNet50网络提取特征,并结合改进的空间注意力模块以增强目标特征的表征能力。接着,提出一种全新的边缘及多尺度特征融合模块,有机结合边缘信息与多尺度特征信息,并设计了一个综合考虑了显著性目标主体分割和边缘分割的损失函数,对特征融合模块进行有效监督,保证了模型在训练过程中会同时关注显著性目标主体和边缘的细节信息,以提高显著性目标的主体和边缘清晰度。最后,创新性地引入上下文增强模块,有效减少深度学习网络中多次上、下采样过程中信息的丢失,从而提高显著性目标主体和边缘的准确性。通过在3个公开数据集上与近几年的8个主流算法相比较,该方法在定量结果和定性结果上均优于其他算法,验证了该方法的有效性和优越性。

摘要：针对光照不均匀或者工件光滑反光材质导致的产生高亮光斑问题,提出差异特征注意力引导的偏振图像高光区域去除算法,采用两阶段式网络结构来获取高质量的高光去除结果。第一阶段利用U-Net网络提取多层次高低级特征;第二阶段设计差异特征注意力引导模块,在特征空间中建立镜面反射和漫反射间的相关性模型,补充增强漫反射层图像原始特征。此外,制作了用于偏振去高光的数据集来验证网络性能。定量和定性实验表明提出的算法去高光能力优于现有算法。