Ce travail est soutenu par l’établissement du programme de financement des projets de recherche scientifique clés des établissements d’enseignement supérieur de la province du Henan de 2024 (numéro de projet : 24A520053). Cette étude est également soutenue par la création spécialisée et la construction de cours de démonstration caractéristiques d’intégration dans la province du Henan.

1. Configuration et procédure expérimentales
<ol><li>Chargez le modèle VGG16 pré-entraîné. REMARQUE : La première étape consiste à charger le modèle VGG16 pré-entraîné à partir de la bibliothèque Keras6.<ol><li>Pour charger un modèle VGG16 pré-entraîné en Python à l’aide de bibliothèques de Deep Learning populaires comme PyTorch (voir Table of Materials), procédez comme suit :<ol><li>Importer une torche. Importez torchvision.models en tant que modèles.</li>
			<li>Chargez le modèle VGG16 pré-entraîné. vgg16_model = models.vgg16(pretrained=True).</li>
			<li>Assurez-vous que le résumé du modèle VGG16 est « print(vgg16_model) ».</li>
		</ol></li>
	</ol></li>
	<li>Définissez les modèles DCL et DEDN.<ol><li>Pour le pseudo-code de l’algorithme DCL, fournissez Input : Image dataset SOD et Output : Trained DCL model.<ol><li>Initialisez le modèle DCL avec le réseau principal VGG16.</li>
			<li>Prétraiter le jeu de données d’image D (par exemple, redimensionnement, normalisation).</li>
			<li>Divisez le jeu de données en jeux d’entraînement et de validation.</li>
			<li>Définissez la fonction de perte pour l’entraînement du modèle DCL (par exemple, l’entropie croisée binaire).</li>
			<li>Définissez les hyperparamètres pour l’entraînement : Taux d’apprentissage (0,0001), Nombre d’époques d’entraînement défini (50), Taille du lot (8), Optimiseur (Adam).</li>
			<li>Entraîner le modèle DCL : pour chaque époque du nombre d’époques défini, effectuer pour chaque lot de l’ensemble d’apprentissage. Entrez les éléments suivants :<ol><li>Passe avant : Envoyez des images par lots au modèle DCL. Calculez la perte à l’aide des cartes de saillance prédites et des cartes de vérité terrain.</li>
				<li>Passe arrière : mettez à jour les paramètres du modèle à l’aide de la descente de gradient end. Calculez la perte de validation et d’autres métriques d’évaluation à la fin du jeu de validation.</li>
			</ol></li>
			<li>Enregistrez le modèle DCL entraîné.</li>
			<li>Retournez le modèle DCL entraîné.</li>
		</ol></li>
		<li>Pour le pseudo-code de l’algorithme DEDN, entrez : Jeu de données d’image (X), Cartes de saillance de la vérité terrain (Y), Nombre d’itérations d’entraînement (N).<ol><li>Pour le réseau d’encodeurs, assurez-vous que l’encodeur est basé sur le squelette VGG16 avec des modifications (comme mentionné ci-dessous). REMARQUE : encoder_input = Entrée(forme=input_shape) encoder_conv1 = Conv2D(64, (3, 3), activation='relu', padding='same')(encoder_input) encoder_pool1 = MaxPooling2D((2, 2))(encoder_conv1) encoder_conv2 = Conv2D(128, (3, 3), activation='relu', padding='same')(encoder_pool1) encoder_pool2 = MaxPooling2D((2, 2))(encoder_conv2) encoder_conv3 = Conv2D(256, (3, 3), activation='relu', padding='same')(encoder_pool2) encoder_pool3 = MaxPooling2D((2, 2))(encoder_conv3)</li>
			<li>Pour le réseau de décodeurs, assurez-vous que le décodeur est basé sur le squelette VGG16 avec des modifications (comme mentionné ci-dessous). REMARQUE : decoder_conv1 = Conv2D(256, (3, 3), activation='relu', padding='same')(encoder_pool3) decoder_upsample1 = Suréchantillonnage2D((2, 2))(decoder_conv1) decoder_conv2 = Conv2D(128, (3, 3), activation='relu', padding='same')(decoder_upsample1) decoder_upsample2 = UpSampling2D((2, 2))(decoder_conv2) decoder_conv3 = Conv2D(64, (3, 3), activation='relu', padding='same')(decoder_upsample2) decoder_upsample3 = UpSampling2D((2, 2))(decoder_conv3) decoder_output = Conv2D(1, (1, 1), activation='sigmoïde', padding='même')(decoder_upsample3)</li>
		</ol></li>
		<li>Définissez le modèle DEDN. modèle = modèle (entrées = encoder_input, sorties = decoder_output).</li>
		<li>Compilez le modèle. model.compile (optimiseur = adam, perte = binary_crossentropy).</li>
		<li>Sélectionnez la boucle Entraînement. REMARQUE : Pour l’itération dans la plage (N) : # Sélectionnez au hasard un lot d’images et de cartes de vérité terrain ; batch_X, batch_Y = randomly_select_batch(X, Y, batch_size).<ol><li>Entraîner le modèle sur le lot. perte = model.train_on_batch(batch_X, batch_Y). Imprimez la perte pour la surveillance.</li>
		</ol></li>
		<li>Enregistrez le modèle entraîné. model.save ('dedn_model.h5').</li>
	</ol></li>
	<li>Combiner.<ol><li>Combinez les sorties des réseaux DCL et DEDN et affinez la carte de saillance à l’aide d’un modèle de champ aléatoire conditionnel (CRF) entièrement connecté.</li>
	</ol></li>
</ol>2. Traitement d’image
<ol><li>Cliquez sur Exécuter le code pour afficher l’interface graphique (Figure 4).</li>
	<li>Cliquez sur ouvrir l’image pour sélectionner le chemin et donc l’image à détecter.</li>
	<li>Cliquez sur l’image d’affichage pour afficher l’image sélectionnée pour la détection.</li>
	<li>Cliquez sur démarrer la détection pour détecter l’image sélectionnée. REMARQUE : Le résultat de la détection apparaîtra avec l’image détectée, c’est-à-dire le résultat de l’objet saillant (Figure 5).</li>
	<li>Cliquez sur sélectionner le chemin d’enregistrement pour enregistrer les résultats de l’image de la détection d’objet saillant.</li>
</ol>

Précision accrue dans la détection d’objets saillants à l’aide de réseaux de neurones profonds

<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>

Les auteurs n’ont rien à divulguer.

L’article présente un réseau neuronal profond de bout en bout spécialement conçu pour la détection d’objets saillants dans des environnements complexes. Le réseau est composé de deux composants interconnectés : un réseau entièrement convolutif (DCL) multi-échelle au niveau du pixel et un réseau encodeur-décodeur profond (DEDN). Ces composants fonctionnent en synergie, incorporant une sémantique contextuelle pour générer des contrastes visuels dans des cartes de caractéristiques multi-échelles. De pl...

<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

La détection d’objets saillants est devenue un domaine d’intérêt en plein essor dans le domaine de la vision par ordinateur. Cependant, les algorithmes dominants présentent une précision réduite lorsqu’ils sont chargés de détecter des objets saillants dans des environnements complexes et à multiples facettes. À la lumière de cette préoccupation urgente, cet article présente un réseau neuronal profond de bout en bout qui vise à détecter des objets saillants dans des environnements complexes. L’étude présente un réseau neuronal profond de bout en bout qui vise à détecter des objets saillants dans des environnements complexes. Comprenant deux composants interdépendants, à savoir un réseau convolutif complet multi-échelle au niveau du pixel et un réseau encodeur-décodeur profond, le réseau proposé intègre une sémantique contextuelle pour produire un contraste visuel sur des cartes de caractéristiques multi-échelles tout en utilisant des caractéristiques d’image profondes et superficielles pour améliorer la précision de l’identification des limites d’objets. L’intégration d’un modèle de champ aléatoire conditionnel (CRF) entièrement connecté améliore encore la cohérence spatiale et la délimitation des contours des cartes saillantes. L’algorithme proposé est évalué de manière approfondie par rapport à 10 algorithmes contemporains sur les bases de données SOD et ECSSD. Les résultats de l’évaluation démontrent que l’algorithme proposé surpasse les autres approches en termes de précision et d’exactitude, établissant ainsi son efficacité dans la détection d’objets saillants dans des environnements complexes.

Pleins feux sur l’auteur : Amélioration de la détection des objets saillants pour les applications de réseau intelligent

Réseau neuronal profond de bout en bout pour la détection d’objets saillants dans des environnements complexes

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.

Cette étude présente un réseau de neurones profonds de bout en bout comprenant deux réseaux complémentaires : un réseau entièrement convolutif multi-échelle au niveau du pixel et un réseau d’encodeur-décodeur profond. Le premier réseau intègre une sémantique contextuelle pour dériver des contrastes visuels à partir de cartes de caractéristiques multi-échelles, répondant au défi des champs récepteurs fixes dans les réseaux neuronaux profonds à travers différentes couches. Le deuxième réseau util...

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

Le présent protocole décrit un nouvel algorithme de détection d’objets saillants de bout en bout. Il exploite les réseaux neuronaux profonds pour améliorer la précision de la détection d’objets saillants dans des contextes environnementaux complexes.

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

Nos recherches vont de la détection d’objets saillants, à la vision par ordinateur, au traitement d’images et plus encore. Nous voulons répondre à l’application de la détection d’objets saillants, comme son utilisation dans les réseaux intelligents pour l’inspection des isolateurs. La prochaine avancée de la recherche consiste à transférer des algorithmes d’objets saillants pour l’apprentissage dans le contexte des réseaux intelligents.Les réseaux neuronaux convolutifs peuvent agir plus efficacement comme des informations saillantes à partir d’images, améliorant ainsi le traitement de la détection d’objets saillants. Par conséquent, ils font progresser la recherche sur la détection d’objets saillants. Les résultats de nos recherches améliorent la précision de la détection d’objets saillants et permettent le transfert d’algorithmes tels que leur application dans les réseaux intelligents pour segmenter et détecter efficacement les isolants.

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

294 vues.  Zhengzhou University of Economics and Business. Nos recherches vont de la détection d’objets saillants, à la vision par ordinateur, au traitement d’images et plus encore. Nous voulons répondre à l’application de la détection d’objets saillants, comme son utilisation dans les réseaux intelligents pour l’inspection des isolateurs. La prochaine avancée de la recherche consiste à transférer des algorithmes d’objets saillants pour l’apprentissage dans le contexte des réseaux intelligents.Les réseaux neuronaux con...

Vidéo: Pleins feux sur l’auteur : Amélioration de la détection des objets saillants pour les applications de réseau intelligent

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.

Recherche

Ingénierie

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.