يتم دعم هذا العمل من قبل مؤسسة تمويل مشروع البحث العلمي الرئيسي لمؤسسات التعليم العالي في مقاطعة خنان لعام 2024 (رقم المشروع: 24A520053). يتم دعم هذه الدراسة أيضا من خلال بناء دورة توضيحية متخصصة في الإنشاء والتكامل في مقاطعة خنان.

1. الإعداد التجريبي والإجراءات
<ol><li>قم بتحميل طراز VGG16 المدرب مسبقا. ملاحظة: الخطوة الأولى هي تحميل طراز VGG16 المدرب مسبقا من مكتبة Keras6.<ol><li>لتحميل نموذج VGG16 مدرب مسبقا في Python باستخدام مكتبات التعلم العميق الشائعة مثل PyTorch (انظر جدول المواد) ، اتبع الخطوات العامة التالية:<ol><li>استيراد الشعلة. استيراد نماذج torchvision.models كنماذج.</li>
			<li>قم بتحميل طراز VGG16 المدرب مسبقا. vgg16_model = models.vgg16 (تم تدريبه مسبقا = صحيح).</li>
			<li>تأكد من أن ملخص طراز VGG16 هو "طباعة (vgg16_model)".</li>
		</ol></li>
	</ol></li>
	<li>تحديد نماذج DCL و DEDN.<ol><li>بالنسبة للكود الزائف لخوارزمية DCL ، قم بتوفير الإدخال: مجموعة بيانات الصورة SOD والإخراج: نموذج DCL المدرب.<ol><li>قم بتهيئة طراز DCL باستخدام شبكة VGG16 الأساسية.</li>
			<li>المعالجة المسبقة لمجموعة بيانات الصورة D (على سبيل المثال ، تغيير الحجم ، التطبيع).</li>
			<li>قسم مجموعة البيانات إلى مجموعات تدريب والتحقق من الصحة.</li>
			<li>تحديد دالة الخسارة لتدريب نموذج DCL (على سبيل المثال ، الإنتروبيا المتقاطعة الثنائية).</li>
			<li>تعيين المعلمات الفائقة للتدريب: معدل التعلم (0.0001) ، عدد فترات التدريب المحددة (50) ، حجم الدفعة (8) ، المحسن (آدم).</li>
			<li>تدريب نموذج DCL: لكل حقبة في عدد محدد من العهود ، قم بكل دفعة في مجموعة التدريب. أدخل ما يلي:<ol><li>تمرير إلى الأمام: تغذية الصور المجمعة إلى نموذج DCL. احسب الخسارة باستخدام خرائط البروز المتوقعة وخرائط الحقيقة الأرضية.</li>
				<li>التمرير للخلف: قم بتحديث معلمات النموذج باستخدام نهاية نزول التدرج. احسب خسارة التحقق من الصحة ومقاييس التقييم الأخرى في نهاية مجموعة التحقق من الصحة.</li>
			</ol></li>
			<li>احفظ نموذج DCL المدرب.</li>
			<li>إرجاع نموذج DCL المدرب.</li>
		</ol></li>
		<li>بالنسبة للرمز الزائف لخوارزمية DEDN ، الإدخال: مجموعة بيانات الصورة (X) ، خرائط بروز الحقيقة الأرضية (Y) ، عدد تكرارات التدريب (N).<ol><li>بالنسبة لشبكة التشفير ، تأكد من أن برنامج التشفير يعتمد على الهيكل العظمي VGG16 مع التعديلات (كما هو مذكور أدناه). ملاحظة: encoder_input = الإدخال (الشكل = input_shape) encoder_conv1 = Conv2D (64 ، (3 ، 3) ، التنشيط = 'relu' ، الحشو = 'same') (encoder_input) encoder_pool1 = MaxPooling2D ((2 ، 2)) (encoder_conv1) encoder_conv2 = Conv2D (128 ، (3 ، 3) ، التنشيط = 'relu' ، الحشو = 'same') (encoder_pool1) encoder_pool2 = MaxPooling2D ((2 ، 2)) (encoder_conv2) encoder_conv3 = Conv2D (256 ، (3 ، 3) ، التنشيط = 'relu' ، الحشو = 'same') (encoder_pool2) encoder_pool3 = MaxPooling2D ((2 ، 2)) (encoder_conv3)</li>
			<li>بالنسبة لشبكة وحدة فك الترميز ، تأكد من أن وحدة فك الترميز تعتمد على الهيكل العظمي VGG16 مع التعديلات (كما هو مذكور أدناه). ملاحظة: decoder_conv1 = Conv2D (256 ، (3 ، 3) ، التنشيط = 'relu' ، الحشو = 'same') (encoder_pool3) decoder_upsample1 = UpSampling2D ((2 ، 2)) (decoder_conv1) decoder_conv2 = Conv2D (128 ، (3 ، 3) ، التنشيط = 'relu' ، الحشو = 'same') (decoder_upsample1) decoder_upsample2 = UpSampling2D ((2 ، 2)) (decoder_conv2) decoder_conv3 = Conv2D (64 ، (3 ، 3) ، التنشيط = 'relu' ، الحشو = 'same') (decoder_upsample2) decoder_upsample3 = UpSampling2D ((2 ، 2)) (decoder_conv3) decoder_output = Conv2D (1 ، (1 ، 1) ، التنشيط = 'sinimoid '، الحشو = 'same') (decoder_upsample3)</li>
		</ol></li>
		<li>تعريف نموذج DEDN. نموذج = نموذج (المدخلات = encoder_input ، المخرجات = decoder_output).</li>
		<li>تجميع النموذج. model.compile (محسن = آدم ، خسارة = binary_crossentropy).</li>
		<li>حدد حلقة التدريب. ملاحظة: للتكرار في النطاق (N): # حدد عشوائيا مجموعة من الصور وخرائط الحقيقة الأرضية ؛ batch_X ، batch_Y = randomly_select_batch (X ، Y ، batch_size).<ol><li>تدريب النموذج على الدفعة. الخسارة = model.train_on_batch (batch_X ، batch_Y). طباعة الفقد للمراقبة.</li>
		</ol></li>
		<li>احفظ النموذج المدرب. model.save ('dedn_model.h5').</li>
	</ol></li>
	<li>الجمع بين.<ol><li>اجمع مخرجات شبكات DCL و DEDN وقم بتحسين خريطة البروز باستخدام نموذج حقل عشوائي شرطي متصل بالكامل (CRF).</li>
	</ol></li>
</ol>2. معالجة الصور
<ol><li>انقر فوق رمز التشغيل لإظهار واجهة المستخدم الرسومية (الشكل 4).</li>
	<li>انقر فوق فتح الصورة لتحديد المسار وبالتالي الصورة المراد اكتشافها.</li>
	<li>انقر فوق صورة العرض لعرض الصورة التي تم تحديدها للكشف.</li>
	<li>انقر فوق بدء الكشف لاكتشاف الصورة المحددة. ملاحظة: ستظهر نتيجة الكشف مع الصورة المكتشفة ، أي نتيجة الكائن البارز (الشكل 5).</li>
	<li>انقر فوق تحديد مسار الحفظ لحفظ نتائج صورة اكتشاف الكائن البارز.</li>
</ol>

دقة محسنة في اكتشاف الأجسام البارزة باستخدام الشبكات العصبية العميقة

<ol>
	<li>Wang, W. G., Shen, J. B., Ling, H. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+deep+network+solution+for+attention+and+aesthetics+aware+photo+cropping.">A deep network solution for attention and aesthetics aware photo cropping.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 41 (7), 1531-1544 (2018).</li><li>Wang, W. G., Sun, G. L., Gool, L. V. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Looking+beyond+single+images+for+weakly+supervised+semantic+segmentation+learning.">Looking beyond single images for weakly supervised semantic segmentation learning.</a> IEEE Transactions on Pattern Analysis and Machine. , (2022).</li><li>Mei, H. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Exploring+dense+context+for+salient+object+detection.">Exploring dense context for salient object detection.</a> IEEE Transactions on Circuits and Systems for Video Technology. 32 (3), 1378-1389 (2021).</li><li>Borji, A., Itti, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=State-of-the-art+in+visual+attention+modeling.">State-of-the-art in visual attention modeling.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 35 (1), 185-207 (2012).</li><li>Long, J., Shelhamer, E., Darrell, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fully+convolutional+networks+for+semantic+segmentation.">Fully convolutional networks for semantic segmentation.</a> , 3431-3440 (2015).</li><li>Simonyan, K., Zisserman, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Very+deep+convolutional+networks+for+large-scale+image+recognition.">Very deep convolutional networks for large-scale image recognition.</a> arXiv preprint. , 1409-1556 (2014).</li><li>He, K., Zhang, X., Ren, S., Sun, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Deep+residual+learning+for+image+recognition.">Deep residual learning for image recognition.</a> , 770-778 (2016).</li><li>Liu, N., Han, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Dhsnet:+Deep+hierarchical+saliency+network+for+salient+object+detection.">Dhsnet: Deep hierarchical saliency network for salient object detection.</a> , 678-686 (2016).</li><li>Zhang, L., Dai, J., Lu, H., He, Y., Wang, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+bi-directional+message+passing+model+for+salient+object+detection.">A bi-directional message passing model for salient object detection.</a> , 1741-1750 (2018).</li><li>Wu, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+mutual+learning+method+for+salient+object+detection+with+intertwined+multi-supervision.">A mutual learning method for salient object detection with intertwined multi-supervision.</a> , 8150-8159 (2019).</li><li>Li, G., Yu, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Deep+contrast+learning+for+salient+object+detection.">Deep contrast learning for salient object detection.</a> , 478-487 (2019).</li><li>Ren, Q., Hu, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multi-scale+deep+encoder-decoder+network+for+salient+object+detection.">Multi-scale deep encoder-decoder network for salient object detection.</a> Neurocomputing. 316, 95-104 (2018).</li><li>Wang, W. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Salient+object+detection+in+the+deep+learning+era:+An+in-depth+survey.">Salient object detection in the deep learning era: An in-depth survey.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 44 (6), 3239-3259 (2021).</li><li>Zhou, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=RGB-D+salient+object+detection:+A+survey.">RGB-D salient object detection: A survey.</a> Computational Visual Media. 7, 37-69 (2021).</li><li>Fu, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Siamese+network+for+RGB-D+salient+object+detection+and+beyond.">Siamese network for RGB-D salient object detection and beyond.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 44 (9), 5541-5559 (2021).</li><li>Lai, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Weakly+supervised+visual+saliency+prediction.">Weakly supervised visual saliency prediction.</a> IEEE Transactions on Image Processing. 31, 3111-3124 (2022).</li><li>Zhang, L., Dai, J., Lu, H., He, Y., Wang, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+bi-directional+message+passing+model+for+salient+object+detection.">A bi-directional message passing model for salient object detection.</a> , 1741-1750 (2018).</li><li>Wu, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+mutual+learning+method+for+salient+object+detection+with+intertwined+multi-supervision.">A mutual learning method for salient object detection with intertwined multi-supervision.</a> , 8150-8159 (2019).</li><li>Wang, W., Shen, J., Dong, X., Borji, A., Yang, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Inferring+salient+objects+from+human+fixations.">Inferring salient objects from human fixations.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 42 (8), 1913-1927 (2019).</li><li>Movahedi, V., Elder, J. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Design+and+perceptual+validation+of+performance+measures+for+salient+object+segmentation.">Design and perceptual validation of performance measures for salient object segmentation.</a> , 49-56 (2010).</li><li>Shi, J., Yan, Q., Xu, L., Jia, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Hierarchical+image+saliency+detection+on+extended+CSSD.">Hierarchical image saliency detection on extended CSSD.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 38 (4), 717-729 (2015).</li><li>Achanta, R., Hemami, S., Estrada, F., Susstrunk, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Frequency-tuned+salient+region+detection.">Frequency-tuned salient region detection.</a> , 1597-1604 (2009).</li><li>Yang, C., Zhang, L., Lu, H., Ruan, X., Yang, M. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Saliency+detection+via+graph-based+manifold+ranking.">Saliency detection via graph-based manifold ranking.</a> , 3166-3173 (2013).</li><li>Wei, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Geodesic+saliency+using+background+priors.">Geodesic saliency using background priors.</a> Computer Vision-ECCV 2012. , 29-42 (2012).</li><li>Margolin, R., Tal, A., Zelnik-Manor, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=What+makes+a+patch+distinct.">What makes a patch distinct.</a> , 1139-1146 (2013).</li><li>Perazzi, F., Kr&#228;henb&#252;hl, P., Pritch, Y., Hornung, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Saliency+filters:+Contrast+based+filtering+for+salient+region+detection.">Saliency filters: Contrast based filtering for salient region detection.</a> , 733-740 (2012).</li><li>Hou, X., Harel, J., Koch, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Image+signature:+Highlighting+sparse+salient+regions.">Image signature: Highlighting sparse salient regions.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 34 (1), 194-201 (2011).</li><li>Jiang, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Salient+object+detection:+A+discriminative+regional+feature+integration+approach.">Salient object detection: A discriminative regional feature integration approach.</a> , 2083-2090 (2013).</li><li>Li, G., Yu, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Visual+saliency+based+on+multiscale+deep+features.">Visual saliency based on multiscale deep features.</a> , 5455-5463 (2015).</li><li>Lee, G., Tai, Y. W., Kim, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Deep+saliency+with+encoded+low+level+distance+map+and+high-level+features.">Deep saliency with encoded low level distance map and high-level features.</a> , 660-668 (2016).</li><li>Liu, N., Han, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Dhsnet:+Deep+hierarchical+saliency+network+for+salient+object+detection.">Dhsnet: Deep hierarchical saliency network for salient object detection.</a> , 678-686 (2016).</li></ol>

ليس لدى المؤلفين ما يكشفون عنه.

يقدم المقال شبكة عصبية عميقة من طرف إلى طرف مصممة خصيصا للكشف عن الأشياء البارزة في البيئات المعقدة. تتكون الشبكة من مكونين مترابطين: شبكة تلافيفية كاملة متعددة المقاييس على مستوى البكسل (DCL) وشبكة فك تشفير عميقة (DEDN). تعمل هذه المكونات بشكل تآزري ، حيث تتضمن الدلالات السياقية لتوليد تباينا...

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Matlab</td>
			<td>MathWorks</td>
			<td>Matlab R2016a</td>
			<td>MATLAB&#39;s programming interface provides development tools for improving code quality maintainability and maximizing performance. 
			It provides tools for building applications using custom graphical interfaces. 
			It provides tools for combining MATLAB-based algorithms with external applications and languages</td>
		</tr>
		<tr>
			<td>Processor&#160;</td>
			<td>Intel</td>
			<td>11th Gen Intel(R) Core (TM) i5-1135G7 @ 2.40GHz</td>
			<td>64-bit Win11 processor&#160;</td>
		</tr>
		<tr>
			<td>Pycharm</td>
			<td>JetBrains</td>
			<td>PyCharm 3.0</td>
			<td>PyCharm is a Python IDE (Integrated Development Environment) 
			a list of required python: 
			modulesmatplotlib 
			skimage 
			torch 
			os 
			time 
			pydensecrf 
			opencv 
			glob 
			PIL 
			torchvision 
			numpy 
			tkinter</td>
		</tr>
		<tr>
			<td>PyTorch&#160;</td>
			<td>Facebook</td>
			<td>PyTorch 1.4&#160;</td>
			<td>PyTorch is an open source Python machine learning library , based on Torch , used for natural language processing and other applications.PyTorch can be viewed both as the addition of GPU support numpy , but also can be viewed as a powerful deep neural network with automatic derivatives .</td>
		</tr>
	</tbody>
</table>

end-to-end deep neural network for salient object detection in complex environments

برز اكتشاف الأجسام البارزة كمجال اهتمام مزدهر في مجال رؤية الكمبيوتر. ومع ذلك ، تظهر الخوارزميات السائدة دقة متناقصة عند تكليفها باكتشاف الأشياء البارزة داخل بيئات معقدة ومتعددة الأوجه. في ضوء هذا القلق الملح ، تقدم هذه المقالة شبكة عصبية عميقة من طرف إلى طرف تهدف إلى اكتشاف الأشياء البارزة داخل البيئات المعقدة. تقدم الدراسة شبكة عصبية عميقة من طرف إلى طرف تهدف إلى اكتشاف الأشياء البارزة داخل البيئات المعقدة. تتألف الشبكة المقترحة من مكونين مترابطين ، وهما شبكة تلافيفية كاملة متعددة المقاييس على مستوى البكسل وشبكة فك تشفير عميقة ، وتدمج دلالات سياقية لإنتاج تباين مرئي عبر خرائط المعالم متعددة المقاييس مع استخدام ميزات الصورة العميقة والضحلة لتحسين دقة تحديد حدود الكائن. ويعزز تكامل نموذج الحقل العشوائي الشرطي المتصل بالكامل من التماسك المكاني وتحديد الكنتور للخرائط البارزة. يتم تقييم الخوارزمية المقترحة على نطاق واسع مقابل 10 خوارزميات معاصرة في قواعد بيانات SOD و ECSSD. تظهر نتائج التقييم أن الخوارزمية المقترحة تتفوق على الأساليب الأخرى من حيث الدقة والدقة ، وبالتالي تثبت فعاليتها في اكتشاف الأشياء البارزة في البيئات المعقدة.

تسليط الضوء على المؤلف: تعزيز اكتشاف الأجسام البارزة لتطبيقات الشبكة الذكية

شبكة عصبية عميقة من طرف إلى طرف لاكتشاف الأجسام البارزة في البيئات المعقدة

Our research range from salient object detection, computer vision, image processing and more. We want to respond to the application of salient object detection such as its use in smart grid for inspecting insulators. The next research advancement involves transferring salient object algorithms for learning in the context of smart grids.The convolutional neural networks can more effectively act as salient information from images, enhancing the processing of salient object detection. Therefore, they advance the research in salient object detection. Our research outcome improves the accuracy of salient object detection, and allow for the transfer of algorithms such as their application in smart grids for effectively segmenting and detecting insulators.

تقدم هذه الدراسة شبكة عصبية عميقة من طرف إلى طرف تتكون من شبكتين متكاملتين: شبكة تلافيفية كاملة متعددة المقاييس على مستوى البكسل وشبكة فك تشفير عميقة. تدمج الشبكة الأولى الدلالات السياقية لاشتقاق التناقضات البصرية من خرائط المعالم متعددة المقاييس ، ومعالجة التحدي المتمثل في الحقول المس?...

Watch this Scientific Journal Video about End-To-End Deep Neural Network for Salient Object Detection in Complex Environments at JoVE.com

ويصف هذا البروتوكول خوارزمية جديدة للكشف عن الأجسام البارزة من طرف إلى طرف. إنه يستفيد من الشبكات العصبية العميقة لتعزيز دقة اكتشاف الأشياء البارزة ضمن السياقات البيئية المعقدة.

Salient object detection has emerged as a burgeoning area of interest within the realm of computer vision. However, prevailing algorithms exhibit ...

تتراوح أبحاثنا من اكتشاف الأشياء البارزة ورؤية الكمبيوتر ومعالجة الصور والمزيد. نريد الاستجابة لتطبيق الكشف عن الأجسام البارزة مثل استخدامه في الشبكة الذكية لفحص العوازل. يتضمن التقدم البحثي التالي نقل خوارزميات الكائنات البارزة للتعلم في سياق الشبكات الذكية.يمكن للشبكات العصبية التلافيفية أن تعمل بشكل أكثر فعالية كمعلومات بارزة من الصور ، مما يعزز معالجة اكتشاف الأشياء البارزة. لذلك ، فإنهم يتقدمون في البحث في الكشف عن الأشياء البارزة. تعمل نتائج بحثنا على تحسين دقة اكتشاف الأجسام البارزة ، وتسمح بنقل الخوارزميات مثل تطبيقها في الشبكات الذكية لتقسيم العوازل واكتشافها بشكل فعال.

end-to-end-deep-neural-network-for-salient-object-detection-complex

Research

JoVE Journal

Engineering

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments

299 Views.  Zhengzhou University of Economics and Business. تتراوح أبحاثنا من اكتشاف الأشياء البارزة ورؤية الكمبيوتر ومعالجة الصور والمزيد. نريد الاستجابة لتطبيق الكشف عن الأجسام البارزة مثل استخدامه في الشبكة الذكية لفحص العوازل. يتضمن التقدم البحثي التالي نقل خوارزميات الكائنات البارزة للتعلم في سياق الشبكات الذكية.يمكن ل?...

Video: تسليط الضوء على المؤلف: تعزيز اكتشاف الأجسام البارزة لتطبيقات الشبكة الذكية

Salient object detection has emerged as a burgeoning area of interest within the realm of computer vision. However, prevailing algorithms exhibit diminished precision when tasked with detecting salient objects within intricate and multifaceted environments. In light of this pressing concern, this article presents an end-to-end deep neural network that aims to detect salient objects within complex environments. The study introduces an end-to-end deep neural network that aims to detect salient objects within complex environments. Comprising two interrelated components, namely a pixel-level multiscale full convolutional network and a deep encoder-decoder network, the proposed network integrates contextual semantics to produce visual contrast across multiscale feature maps while employing deep and shallow image features to improve the accuracy of object boundary identification. The integration of a fully connected conditional random field (CRF) model further enhances the spatial coherence and contour delineation of salient maps. The proposed algorithm is extensively evaluated against 10 contemporary algorithms on the SOD and ECSSD databases. The evaluation results demonstrate that the proposed algorithm outperforms other approaches in terms of precision and accuracy, thereby establishing its efficacy in salient object detection within complex environments.

The present protocol describes a novel end-to-end salient object detection algorithm. It leverages deep neural networks to enhance the precision of salient object detection within intricate environmental contexts.

Implementation of the DCL Algorithm Using Pre-Trained VGG16 Model for Salient Object Detection in Complex Environments

To begin, load a deep learning library in Python, such as PyTorch. Import Torch and Torchvision Models as models. Next, load the pre-trained VCG16 model.To generate the pseudo code of the DCL algorithm, provide image dataset SOD into the input field and used train DCL model as the output field. Now initialize the DCL model with the VGG16 backbone network. Pre-process the image dataset, then split the dataset into training and validation sets.Define the loss function for training the DCL model. Set the training hyperparameters as 0.0001 for learning rate, 50 as the number of training epochs set, eight as the batch size, and Adam as the optimizer. Combine the outputs of the DCL and DEDN networks and refine the saliency map using a fully connected conditional random field model.To process the image, click on the run code to bring up the GUI interface. Now press Open Image to choose the selected image for detection. Then press Display Image to show the selected image.Click on Start Detection to detect the selected image. Lastly, press Select the Safe Path and choose the appropriate file location to save the image results. The removal of the DCL model from the algorithm caused a decrease in F beta value and an increase in the E MAE value.This algorithm only removes the DEDN structure. A similar decrease in the F beta value and an increase in the E MAE value were observed compared to the complete module. The DCL algorithm described the target boundary when detecting images in the SOD database, but struggled to effectively filter the background.However, the DEDN algorithm strengthened the target boundary, but suppressed background redundancy information.