Göze Çarpan Nesle Tesbiti

Göze çarpan nesne tespiti, derin kıvrımsal sinir ağları (CNN'ler) tarafından öğrenilen güçlü özellikler nedeniyle son zamanlarda daha fazla ilgi gördü ve önemli ilerleme kaydetti. Bu çalışmada, farklı mekansal ölçeklerde iki tamamlayıcı alt ağa sahip olan göze çarpan nesne tespiti için çok ölçekli bir yinelemeli CNN öneriyoruz. Her alt ağ için, CNN yapılarını, CNN'nin erken aşamalarının çıkıntı haritasının kaba bir tahminini verdiği ve geri kalan hataların çıkıntı haritasını düzeltmek için yavaş yavaş öğrenildiği tekrarlamalı bir öğrenme süreci ile artırıyoruz. İki alt ağın tahminlerini birleştirerek, eğitim hatası önemli ölçüde azaltılabilir ve tahmini çıkıntı haritası daha doğru hale gelir. Çoğunlukla süper piksel segmentasyonlarına dayanan bazı önceki CNN tabanlı yöntemlerin aksine, önerilen model tamamen CNN'dir ve dolayısıyla göze çarpma haritasını çok daha verimli bir şekilde tahmin edebilir. Standart karşılaştırmalar üzerinde yapılan kapsamlı deneyler, yöntemimizin hem doğruluk hem de hız açısından en gelişmiş yöntemlerden bazılarından daha iyi performans gösterdiğini ve en son teknolojiye sahip bazı uçtan uca yöntemler kadar iyi performans elde ettiğini göstermektedir. adil ayarlar.