知识卡片
DL模型的双层分工
DL模型面向复杂背景、低对比度的面目标,把检测拆成“先粗后精”两层。特征提取层并行处理两个通道:灰度通道用均值漂移按灰度分布把像素归到类中心,再把像素灰度替换为类中心灰度,在保留区域内部细节的同时压掉灰度噪声;对比度通道用侧抑制模板卷积增强边缘与反差。两张特征图相乘融合,得到初级显著图,它给出目标大致位置但边界粗糙。概率估计层以初级显著图为输入,估计每个像素属于目标的先验概率与似然函数,用贝叶斯公式算后验,得到最终显著图。
分层的好处是:初级显著图把搜索范围从全图缩到少数区域,使概率估计只需在同质区域内比较,计算量小;贝叶斯层输出的是可解释的概率而非启发式打分,阈值可直接对应虚警率。边界在于第一层若漏掉目标,第二层无法恢复。
结构图:
flowchart TD
A[输入图像] --> B[灰度通道:均值漂移]
A --> C[对比度通道:侧抑制]
B --> D[灰度特征图]
C --> E[对比度特征图]
D --> F[相乘融合:初级显著图]
E --> F
F --> G[贝叶斯估计先验与似然]
G --> H[最终显著图]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第5章 人脑视觉系统的视觉注意机制及其应用 · 查看原书依据
在特征提取层,主要通过灰度特征提取、对比度特征提取和特征融合三个过程得到图像的初级显著图。其中,灰度特征提取采用均值漂移(Mean-shift)方法实现。
参考来源
- 位置:《基于类脑计算的目标检测与跟踪技术》第5章 人脑视觉系统的视觉注意机制及其应用(源文件:extracted/基于类脑计算的目标检测与跟踪技术/_epub-src/OPS/txt005.html)
- 结论依据:DL模型面向复杂背景、低对比度的面目标,把检测拆成“先粗后精”两层。
- 原始内容:在特征提取层,主要通过灰度特征提取、对比度特征提取和特征融合三个过程得到图像的初级显著图。其中,灰度特征提取采用均值漂移(Mean-shift)方法实现。