知识卡片

结构图卡 · 9597.m · 生成模型:DeepSeek-V4.1-Flash

DL模型的双层分工

理解等级:高级

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?

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

    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。