论文研究基于深度交叉CNN和免交互GrabCut的显著性检测.pdf

针对传统显著性检测算法特征学习不足，显著性区域边界不明确和检测效果鲁棒性较差等问题，提出一种基于深度交叉卷积神经网络和免交互GrabCut的显著性检测算法。该方法首先针对传统CNN模型中神经元和参数规模较大导致训练困难的不足，根据人眼视觉原理，构建深度交叉卷积神经网络模型（DCCNN）；然后，采用超像素聚类方法获取图像区域特征，并通过Beltrami滤波突出图像内的边界特征，利用DCCNN对特征进行学习，在联合条件随机场框架下完成特征融合，实现显著性区域粗糙检测；最后，对粗糙检测结果自适应二值化和形态学膨胀，将显著区域的多边形逼近结果作为GrabCut算法的输入，完成显著性区域的精确检测。实验