融合深度学习与传统模型的显著性检测：一种新方法

"《中国图象图形学报》2023年的体例和排版模板，重点关注计算机核心期刊中的协作模板" 这篇论文探讨的是在图像和视觉领域中显著性检测的问题，它结合了深度学习模型和传统模型的优势，旨在提高显著性检测的精度和效果。显著性检测是识别图像中最具吸引力或最重要的区域的关键技术，广泛应用于图像分析、视频理解、人机交互等多个领域。 论文首先指出了传统模型在保留显著性物体边界方面的优势，但其对显著性目标的识别信心不足，导致召回率偏低。相反，深度学习模型，特别是基于密集卷积网络（Dense Convolutional Network, DCN）的全卷积网络（FCN），虽然能够提供较高的置信度，但其结果的边界通常较模糊，准确率较低。 为克服这些局限，论文提出了一个融合模型，它首先利用改进的DCN训练一个FCN显著性模型，接着结合一个基于超像素的显著性回归模型。在得到两个模型的预测结果后，采用一种融合算法，利用显著性结果的Hadamard积和像素间的非线性映射进行融合。这种方法旨在保留传统模型的边界精度，同时吸收深度学习模型的高置信度特性。 实验部分在四个数据集上与其他十种最新方法进行了对比。结果显示，提出的模型在HKU-IS、MSRA和DUT-OMRON数据集上的F值均有显著提升，表明在检测准确性上优于其他方法。此外，MAE（Mean Absolute Error）的降低也证明了该模型在减少误差方面表现出色。 论文的结论指出，通过融合深度学习和传统方法，新模型成功地提升了显著性检测的精确度，为未来的研究提供了有价值的参考。关键词包括显著性检测、密集卷积网络、全卷积网络、融合算法以及Hadamard积，这些关键词涵盖了研究的领域、方法、关键技术和重要概念。 这篇论文为图像处理和计算机视觉领域的研究人员提供了一种新的策略，以改善显著性检测的性能，特别是在深度学习和传统算法的协同作用方面。这一研究对于推动图像分析技术的进步具有重要意义。