이 작업은 2024년 허난성 고등 교육 기관 핵심 과학 연구 프로젝트 자금 지원 프로그램 설립(프로젝트 번호: 24A520053)의 지원을 받습니다. 이 연구는 허난성의 전문 창조 및 통합 특성 시범 코스 건설의 지원도 받고 있습니다.

1. 실험 설정 및 절차
<ol><li>사전 훈련된 VGG16 모델을 불러옵니다. 참고: 첫 번째 단계는 Keras 라이브러리6에서 사전 훈련된 VGG16 모델을 로드하는 것입니다.<ol><li>PyTorch와 같은 인기 있는 딥러닝 라이브러리를 사용하여 Python에서 사전 훈련된 VGG16 모델을 로드하려면( 자료 목차 참조) 다음 일반 단계를 따르십시오.<ol><li>수입품 토치. torchvision.models 를 모델로 가져옵니다.</li>
			<li>사전 훈련된 VGG16 모델을 불러옵니다. vgg16_model = models.vgg16(pretrained=True)입니다.</li>
			<li>VGG16 모델의 요약이 "print(vgg16_model)"인지 확인합니다.</li>
		</ol></li>
	</ol></li>
	<li>DCL 및 DEDN 모델을 정의합니다.<ol><li>DCL 알고리즘의 의사 코드의 경우 입력: 이미지 데이터 세트 SOD 및 출력: 학습된 DCL 모델을 제공합니다.<ol><li>VGG16 백본 네트워크로 DCL 모델을 초기화합니다.</li>
			<li>이미지 데이터셋 D를 전처리합니다(예: 크기 조정, 정규화).</li>
			<li>데이터 세트를 학습 세트와 검증 세트로 분할합니다.</li>
			<li>DCL 모델을 학습하기 위한 손실 함수(예: 이진 교차 엔트로피)를 정의합니다.</li>
			<li>학습률(0.0001), 설정된 훈련 epoch 수(50), 배치 크기(8), 옵티마이저(Adam)와 같은 훈련을 위한 하이퍼파라미터 설정.</li>
			<li>DCL 모델 훈련: 정의된 Epoch 수의 각 Epoch에 대해 훈련 세트의 각 배치에 대해 수행합니다. 다음을 입력합니다.<ol><li>전달 패스: 배치 이미지를 DCL 모델에 공급합니다. 예측된 현저성 맵과 실측 맵을 사용하여 손실을 계산합니다.</li>
				<li>역방향 패스: 경사하강법 끝을 사용하여 모델 매개변수를 업데이트합니다. 검증 세트 끝에서 검증 손실과 다른 평가 메트릭을 계산합니다.</li>
			</ol></li>
			<li>학습된 DCL 모델을 저장합니다.</li>
			<li>훈련된 DCL 모델을 반환합니다.</li>
		</ol></li>
		<li>DEDN 알고리즘에 대한 의사 코드의 경우 이미지 데이터 세트(X), 실측 자료 현저성 맵(Y), 학습 반복 횟수(N)를 입력합니다.<ol><li>인코더 네트워크의 경우 인코더가 VGG16 스켈레톤을 기반으로 하여 수정 사항이 적용되었는지 확인합니다(아래 설명 참조). 참고: encoder_input = 입력(모양=input_shape) encoder_conv1 = Conv2D(64, (3, 3), 활성화='relu', 패딩='동일')(encoder_input) encoder_pool1 = MaxPooling2D((2, 2))(encoder_conv1) encoder_conv2 = Conv2D(128, (3, 3), 활성화='relu', 패딩='동일')(encoder_pool1) encoder_pool2 = MaxPooling2D((2, 2))(encoder_conv2) encoder_conv3 = Conv2D (256, (3, 3), 활성화 = 'relu', 패딩 = '동일') (encoder_pool2) encoder_pool3 = MaxPooling2D((2, 2))(encoder_conv3)</li>
			<li>디코더 네트워크의 경우 디코더가 VGG16 스켈레톤을 기반으로 수정되었는지 확인합니다(아래 설명 참조). 참고 : decoder_conv1 = Conv2D (256, (3, 3), 활성화 = 'relu', 패딩 = '동일') (encoder_pool3) decoder_upsample1 = UpSampling2D((2, 2))(decoder_conv1) decoder_conv2 = Conv2D (128, (3, 3), 활성화 = 'relu', 패딩 = '동일') (decoder_upsample1) decoder_upsample2 = UpSampling2D((2, 2))(decoder_conv2) decoder_conv3 = Conv2D(64, (3, 3), 활성화='relu', 패딩='동일')(decoder_upsample2) decoder_upsample3 = UpSampling2D((2, 2))(decoder_conv3) decoder_output = Conv2D(1, (1, 1), 활성화='시그모이드', 패딩='동일')(decoder_upsample3)</li>
		</ol></li>
		<li>DEDN 모델을 정의합니다. 모델 = 모델(입력 = encoder_input, 출력 = decoder_output).</li>
		<li>모델을 컴파일합니다. model.compile (optimizer = adam, loss = binary_crossentropy).</li>
		<li>학습 루프를 선택합니다. 참고: 범위(N)에서 반복하는 경우: # 이미지 배치와 지상 실측 자료 맵을 무작위로 선택합니다. batch_X, batch_Y = randomly_select_batch(X, Y, batch_size)입니다.<ol><li>일괄 처리에서 모델을 학습시킵니다. 손실 = model.train_on_batch(batch_X, batch_Y)입니다. 모니터링을 위해 손실을 인쇄합니다.</li>
		</ol></li>
		<li>학습된 모델을 저장합니다. model.save ('dedn_model.h5')입니다.</li>
	</ol></li>
	<li>결합하다.<ol><li>DCL 신경망과 DEDN 신경망의 출력을 결합하고 완전 연결 조건부 랜덤 필드(CRF) 모델을 사용하여 현저성 맵을 구체화합니다.</li>
	</ol></li>
</ol>2. 이미지 처리
<ol><li>run code( 실행 코드)를 클릭하여 GUI 인터페이스를 불러옵니다(그림 4).</li>
	<li>이미지 열기를 클릭하여 경로를 선택하고 감지할 이미지를 선택합니다.</li>
	<li>디스플레이 이미지를 클릭하면 감지를 위해 선택한 이미지가 표시됩니다.</li>
	<li>감지 시작을 클릭하여 선택한 이미지를 감지합니다. 알림: 감지 결과는 감지된 이미지, 즉 돌출된 물체의 결과와 함께 나타납니다(그림 5).</li>
	<li>저장 경로 선택을 클릭하여 두드러진 물체 감지의 이미지 결과를 저장합니다.</li>
</ol>

Deep Neural Networks를 사용한 현저한 물체 감지의 정밀도 향상

<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>

저자는 공개할 것이 없습니다.

이 기사에서는 복잡한 환경에서 두드러진 물체를 감지하도록 특별히 설계된 종단 간 심층 신경망을 소개합니다. 이 신경망은 두 개의 상호 연결된 구성요소, 즉 픽셀 수준의 다중 스케일 완전 컨벌루션 신경망(DCL)과 심층 인코더-디코더 신경망(DEDN)으로 구성됩니다. 이러한 구성 요소는 시너지 효과를 발휘하여 상황별 의미 체계를 통합하여 다중 축척 기능 맵 내에서 시각적 대비를 생성합니다. 또...

<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

현저한 물체 감지는 컴퓨터 비전 영역 내에서 급성장하는 관심 영역으로 부상했습니다. 그러나 일반적인 알고리즘은 복잡하고 다면적인 환경에서 두드러진 물체를 감지하는 작업을 수행할 때 정밀도가 감소합니다. 이러한 긴급한 문제에 비추어 이 기사에서는 복잡한 환경 내에서 두드러진 물체를 감지하는 것을 목표로 하는 종단 간 심층 신경망을 제시합니다. 이 연구는 복잡한 환경 내에서 두드러진 물체를 감지하는 것을 목표로 하는 종단 간 심층 신경망을 소개합니다. 제안된 네트워크는 두 개의 상호 관련된 구성 요소, 즉 픽셀 수준의 다중 스케일 전체 컨볼루션 네트워크와 심층 인코더-디코더 네트워크로 구성되며, 컨텍스트 의미 체계를 통합하여 다중 스케일 기능 맵에서 시각적 대비를 생성하는 동시에 깊고 얕은 이미지 기능을 사용하여 개체 경계 식별의 정확도를 향상시킵니다. 완전히 연결된 CRF(Conditional Random Field) 모델의 통합은 두드러진 맵의 공간 일관성과 등고선 묘사를 더욱 향상시킵니다. 제안된 알고리즘은 SOD 및 ECSSD 데이터베이스에서 10개의 최신 알고리즘에 대해 광범위하게 평가됩니다. 평가 결과는 제안된 알고리즘이 정밀도와 정확성 측면에서 다른 접근 방식을 능가하여 복잡한 환경에서 두드러진 물체 감지에 대한 효율성을 확립했음을 보여줍니다.

저자 스포트라이트: Enhancement of Salient Object Detection for Smart Grid Applications (스마트 그리드 애플리케이션을 위한 현저한 물체 감지 기능 향상)

복잡한 환경에서 두드러진 물체 감지를 위한 End-to-End Deep Neural Network

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.

이 연구에서는 픽셀 수준의 다중 스케일 완전 컨볼루션 네트워크와 심층 인코더-디코더 네트워크라는 두 가지 상호 보완적인 네트워크로 구성된 종단 간 심층 신경망을 소개합니다. 첫 번째 네트워크는 컨텍스트 의미론을 통합하여 다중 축척 기능 맵에서 시각적 대비를 도출하여 다양한 계층에 걸친 심층 신경망의 고정 수용 필드 문제를 해결합니다. 두 번째 신경망은 깊은 영상과 얕은 영상 특?...

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

본 프로토콜은 새로운 종단 간 두드러진 물체 감지 알고리즘을 설명합니다. 심층 신경망을 활용하여 복잡한 환경 컨텍스트 내에서 두드러진 물체 감지의 정밀도를 향상시킵니다.

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

우리의 연구는 두드러진 물체 감지, 컴퓨터 비전, 이미지 처리 등에 이르기까지 다양합니다. 우리는 절연체 검사를 위한 스마트 그리드에서의 사용과 같은 두드러진 물체 감지의 적용에 대응하고자 합니다. 다음 연구 발전은 스마트 그리드의 맥락에서 학습을 위해 두드러진 객체 알고리즘을 이전하는 것과 관련이 있습니다.컨볼루션 신경망은 이미지에서 돌출된 정보로 보다 효과적으로 작동하여 현저한 물체 감지 처리를 향상시킬 수 있습니다. 따라서 그들은 두드러진 물체 감지에 대한 연구를 발전시킵니다. 우리의 연구 결과는 두드러진 물체 감지의 정확도를 향상시키고 절연체를 효과적으로 분할하고 감지하기 위해 스마트 그리드에서의 적용과 같은 알고리즘의 전송을 허용합니다.

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

289 조회수.  Zhengzhou University of Economics and Business. 우리의 연구는 두드러진 물체 감지, 컴퓨터 비전, 이미지 처리 등에 이르기까지 다양합니다. 우리는 절연체 검사를 위한 스마트 그리드에서의 사용과 같은 두드러진 물체 감지의 적용에 대응하고자 합니다. 다음 연구 발전은 스마트 그리드의 맥락에서 학습을 위해 두드러진 객체 알고리즘을 이전하는 것과 관련이 있습니다.컨볼루션 신경망은 이미지에서 돌출된 정보로...