پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 671 |
| تعداد مقالات | 9,762 |
| تعداد مشاهده مقاله | 69,478,743 |
| تعداد دریافت فایل اصل مقاله | 48,619,334 |
مدل چندوظیفه برای تشخیص برجستگی و لبه با استفاده از تابع هزینه ترکیبی | ||
| مدل سازی در مهندسی | ||
| مقاله 12، دوره 20، شماره 71، دی 1401، صفحه 151-163 اصل مقاله (2.37 M) | ||
| نوع مقاله: مقاله کامپیوتر | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2022.27156.2272 | ||
| نویسندگان | ||
| سجاد دهقان1؛ محمدجواد فدائی اسلام* 2 | ||
| 1فارغ التحصیل | ||
| 2دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان | ||
| تاریخ دریافت: 23 اردیبهشت 1401، تاریخ بازنگری: 23 تیر 1401، تاریخ پذیرش: 30 مرداد 1401 | ||
| چکیده | ||
| تشخیص شئ برجسته با هدف شناسایی و بخش‌بندی برجسته‌ترین و متمایزترین اشیاء یا نواحی در یک تصویر انجام می‌شود. شبکه‌های کاملاً کانولوشنی (FCN)، مزایای خود را در مسأله تشخیص شئ برجسته نشان داده‌اند، با این حال، بسیاری از کارهای قبلی بر دقت ناحیه برجسته تمرکز کرده‌اند اما به کیفیت مرز توجّهی ندارند. در این پژوهش، ما بر مکمل بودن بین اطلاعات لبه و اطلاعات شئ برجسته تمرکز می‌کنیم و یک ماژول تشخیص لبه را برای مدل‌سازی صریح اطلاعات لبه برای حفظ مرزهای شیء برجسته به شبکه پیشنهادی اضافه می‌کنیم. شبکه پیشنهادی ما سعی دارد این دو وظیفه مکمل را با کمک متقابل هم بهبود دهد. از طرف دیگر حضور اشیاء چند مقیاسی در مجموعه داده‌های تشخیص شئ برجسته نیاز به مدل‌سازی دقیق در سطح تابع هزینه برای مقابله با مشکل عدم تعادل بین پیش‌زمینه و پس‌زمینه در تصاویر دارد. از این رو، ما از تابع هزینه ترکیبی در مرحله آموزش استفاده می‌کنیم که به مقیاس اشیاء حساس نیست، و می‌تواند مسأله انسجام فضایی را بهتر مدیریت کند و به طور یکنواخت مناطق برجسته را بدون پارامترهای اضافی برجسته کند. مقایسه نتایج کمّی، کیفی به دست آمده توسط روش پیشنهادی با سایر روش‌های پیشرفته در شش مجموعه داده پرکابرد تشخیص برجستگی، نشان می‌دهد، روش پیشنهادی از عملکرد خوبی برخوردار است و به سرعت می‌تواند مناطق برجسته را شناسایی کند. به طور خاص، روش ما بهترین عملکرد را در سه مجموعه‌داده آزمایشی پرکابرد از نظر معیارهای F-measure و MAE دریافت می‌کند که کارایی روش پیشنهادی را نشان می‌دهد. | ||
| کلیدواژه‌ها | ||
| تشخیص شئ برجسته؛ تشخیص لبه؛ تابع هزینه ترکیبی؛ شبکه کاملاً کانولوشنی؛ یادگیری عمیق؛ پردازش تصویر | ||
| عنوان مقاله [English] | ||
| A Multi-task Model to Detect Saliency and Edge using Hybrid Cost Function | ||
| نویسندگان [English] | ||
| Sajjad Dehghan1؛ Mohammad Javad Fadaeieslam2 | ||
| 1Graduated | ||
| 2Faculty of Electrical and Computer Engineering, Semnan University | ||
| چکیده [English] | ||
| Detection of salient objects is done with the aim of identifying and segmenting prominent objects or areas in an image. Fully Convolutional Networks (FCNs) have shown their advantages in salient object detection; however, many previous works have focused on the accuracy of the prominent area without paying attention to its edge. This paper focuses on the complementarity between edge information and salient object one and added an edge recognition module to explicitly model edge information to maintain salient object boundaries. Our proposed network is trying to improve these two tasks simultaneously. The presence of objects with different scales in related datasets is another problem in this area. It requires an appropriate cost function to deal with the imbalance problem between background and foreground in images. So, we have used the hybrid cost function in the training phase, which is not sensitive to the scale of objects and can better manage the problem of spatial coherence and uniformly highlight salient areas without additional parameters. A Comparison of the quantitative and qualitative results obtained by the proposed method with other advanced methods in six widely used protrusion detection datasets shows that the proposed method has a good performance and can quickly identify prominent areas. In particular, according to the quantitative results, our method gets the best result on three widely used test datasets in terms of F-measure and MAE criteria, demonstrating the proposed method's efficiency. | ||
| کلیدواژه‌ها [English] | ||
| Salient object detection, Edge detection, Hybrid loss function, Fully convolutional network, Deep learning, Image Processing | ||
| مراجع | ||
|
[1] A. Borji et al., "Salient Object Detection: A Survey", Computational Visual Media, Vol. 5, 2019, pp. 117–150. [2] W. Wang et al., "Salient Object Detection in the Deep Learning Era: An In-Depth Survey", arXiv: 1904.09146, 2019. [3] J. Long, E. Shelhamer, and T. Darrell. “Fully Convolutional Networks for Semantic Segmentation”, IEEE Conference on Computer Vision and Pattern Recognition, 2015, pp. 3431-3440. [4] Y. Ji, H. Zhang, Z., Zhang and M. Liu, "CNN-Based Encoder-Decoder Networks for Salient Object Detection: A Comprehensive Review and Recent Advances, "Information Sciences", Vol. 546, 2021, pp. 835-857. [5] N. Liu and J. Han. “DHSNet: Deep Hierarchical Saliency Network for Salient Object Detection”, IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 678-686. [6] N. Liu, J. Han, and M.-H. Yang., “Picanet: Learning Pixel-wise Contextual Attention for Saliency Detection” , IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp. 3089-3098. [7] L. Zhang et al., “A Bi-directional Message Passing Model for Salient Object Detection”, IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp. 1741-1750. [8] P. Zhang et al., “Amulet: Aggregating Multi-level Convolutional Features for Salient Object Detection”, IEEE International Conference on Computer Vision, 2017, pp. 202-211. [9] J.-X. Zhao et al., “EGNet: Edge Guidance Network for Salient Object Detection”, IEEE International Conference on Computer Vision, 2019, pp. 8779-8788. [10] A.K. Gupta et al., "Salient Object Detection Techniques in Computer Vision—A Survey", Entropy, Vol. 22, NO. 10, 2020, pp. 1174. [11] Y. Pang et al., "Multi-scale Interactive Network for Salient Object Detection", IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020, pp. 9413-9422. [12] A. Borji et al., "Salient Object Detection: A Benchmark", IEEE Transactions on Image Processing, Vol. 24, NO. 12, pp. 5706-5722. [13] محمود معلم، علی‌اکبر پویان، "کشف ناهنجاری با استفاده از کد کننده خودکار مبتنی بر بلوک‌های LSTM"، مدل سازی در مهندسی، دوره 17، شماره 56، بهار 1398، صفحه 191-211.
[14] الهام پارسایی مهر، مهدی فرتاش و جواد اکبری ترکستانی، "بهبود استخراج ویژگی با استفاده از یک مدل یادگیری عمیق گروهی برای تشخیص موجودیت"، مدل سازی در مهندسی، دوره 20، شماره 69، تیر 1401، صفحه 103-112.
[15] راضیه راستگو و کوروش کیانی، "شناسایی چهره با استفاده از تنطیم دقیق شبکه های کانولوشنی عمیق و رویکرد یادگیری انتقالی"، مدل‌سازی در مهندسی، دوره 17، شماره 58 ، پائیز 1398، صفحه 103-111.
[16] S. He et al., “Delving into Salient Object Subitizing and Detection”, IEEE International Conference on Computer Vision, 2017, pp. 1059-1067. [17] Z. Wu, L. Su, and Q. Huang, “Stacked Cross Refinement Network for Edge-aware Salient Object Detection”, IEEE/CVF International Conference on Computer Vision, 2019, pp. 7264-7273. [18] L. Zhang et al., “Capsal: Leveraging Captioning to Boost Semantics for Salient Object Detection”, IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019, pp. 6024-6033. [19] W. Wang et al., “Salient Object Detection with Pyramid Attention and Salient Edges”, IEEE Conference on Computer Vision and Pattern Recognition, 2019, pp. 1448-1457. [20] Y. Zeng et al., “Joint Learning of Saliency Detection and Weakly Supervised Semantic Segmentation”, IEEE/CVF International Conference on Computer Vision, 2019, pp. 7223-7233. [21] R. Wu et al., “A Mutual Learning Method for Salient Object Detection with Intertwined Multi-superVision”, IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019, pp. 8150-8159. [22] J. Wei et al., “Label Decoupling Framework for Salient Object Detection”, IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020, pp. 13025-13034. [23] Qin, X., et al. “Basnet: Boundary-aware Salient Object Detection”, IEEE Conference on Computer Vision and Pattern Recognition, 2019, pp. 7479-7489. [24] S. Xie and Z. Tu. “Holistically-nested Edge Detection”, IEEE international Conference on Computer Vision, 2015, pp. 1395-1403. [25] Wang, L., et al., "Salient Object Detection with Recurrent Fully Convolutional Networks", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 41, NO. 7, 2018, pp. 1734-1746. [26] Luo, Z., et al. “Non-local Deep Features for Salient Object Detection”, IEEE Conference on Computer Vision and Pattern Recognition, 2017, pp. 6609-6617. [27] M. Feng, H. Lu, and E. Ding, “Attentive Feedback Network for Boundary-aware Salient Object Detection”, IEEE Conference on Computer Vision and Pattern Recognition, 2019, pp. 1623-1632. [28] سجاد دهقان و محمدجواد فدائی اسلام، "بهبود تشخیص شئ برجسته با استفاده از ویژگی های چند مقیاسی در شبکه های عمیق"، چهارمین کنفرانس بین المللی محاسبات نرم، 1400. [29] S. Gao et al., "Res2net: A New Multi-scale Backbone Architecture", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 43, NO. 2, 2019, pp. 652-662. [30] J.-J. Liu et al., “A Simple Pooling-based Design for Real-time Salient Object Detection”, IEEE Conference on Computer Vision and Pattern Recognition, 2019, pp. 3917-3926. [31] T.-Y. Lin et al., “Feature Pyramid Networks for Object Detection”, IEEE Conference on Computer Vision and Pattern Recognition. 2017, pp. 2117-2125. [32] K. He et al., “Deep Residual Learning for Image Recognition”, IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 770-778. [33] L. Wang et al., “Learning to Detect Salient Objects with Image-level SuperVision”, IEEE Conference on Computer Vision and Pattern Recognition, 2017, pp. 136-145. [34] P. Arbelaez et al., "Contour Detection and Hierarchical Image Segmentation", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 33, NO. 5, 2010, pp. 898-916. [35] R. Mottaghi et al., “The Role of Context for Object Detection and Semantic Segmentation in the Wild”, IEEE Conference on Computer Vision and Pattern Recognition, 2014, pp. 891-898. [36] G. Li et al., “Instance-level Salient Object Segmentation”, IEEE Conference on Computer Vision and Pattern Recognition, 2017, pp. 2386-2395. [37] Q. Hou et al., “Deeply Supervised Salient Object Detection with Short Connections”, IEEE Conference on Computer Vision and Pattern Recognition, 2017, pp. 3210-3212. [38] T. Wang et al., “A Stagewise Refinement Model for Detecting Salient Objects in Images”, IEEE International Conference on Computer Vision, 2017, pp. 4019-4028. [39] X. Zhan et al., “Progressive Attention Guided Recurrent Network for Salient Object Detection”, IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp. 714-722. [40] T. Wang et al., “Detect Globally, Refine Locally: A Novel Approach to Saliency Detection”, IEEE Conference on Computer Vision and Pattern Recognition. 2018, pp. 3127-3135. [41] Z. Wu, L. Su, and Q. Huang, “Cascaded Partial Decoder for Fast and Accurate Salient Object Detection”, IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019, pp. 3907-3916. [42] W. Wang et al., “An Iterative and Cooperative Top-down and Bottom-up Inference Network for Salient Object Detection”, IEEE Conference on Computer Vision and Pattern Recognition, 2019, pp. 5968-5977. [43] J. Su et al., “Selectivity or Invariance: Boundary-aware Salient Object Detection”, IEEE International Conference on Computer Vision, 2019, pp. 3799-3808. [44] Z. Deng et al., “R3net: Recurrent Residual Refinement Network for Saliency Detection”, International Joint Conference on Artificial Intelligence, 2018, pp. 684-690. [45] V. Movahedi and J.H. Elder, “Design and Perceptual Validation of Performance Measures for Salient Object Segmentation”, IEEE Computer Society Conference on Computer Vision and Pattern Recognition-workshops, 2010, pp. 49-56. [46] C. Yang et al., “Saliency Detection via Graph-based Manifold Ranking”, IEEE Conference on Computer Vision and Pattern Recognition, 2013, pp. 3166-3173. [47] Q. Yan et al., “Hierarchical Saliency Detection”, IEEE Conference on Computer Vision and Pattern Recognition, 2013, pp. 1155-1162. [48] Y. Li et al., “The Secrets of Salient Object Segmentation”, IEEE Conference on Computer Vision and Pattern Recognition, 2014, pp. 280-287. [49] G. Li and Y. Yu. “Visual Saliency Based on Multiscale Deep Features”, IEEE Conference on Computer Vision and Pattern Recognition, 2015, pp. 5455-5463. | ||
|
آمار تعداد مشاهده مقاله: 525 تعداد دریافت فایل اصل مقاله: 341 |
||