マルチグラフニューラルネットワーク協調学習に基づく顕著物体検出手法

出典: Journal of Electronics and Information 著者: Liu Bing、Wang Tiantian、Gao Lina、Xu Mingzhu、Fu Ping

まとめ

キーワード

顕著物体検出 / グラフニューラルネットワーク / 注意知覚融合 / 協調学習

1 はじめに

2. 提案手法の全体枠組み

図1 提案手法の全体枠組み

3. マルチグラフニューラルネットワーク協調学習に基づく顕著物体検出手法

3.1   初期の顕著な特徴を取得する

3.1.1 初期の顕著なエッジ特徴を取得する

3.1.2 初期の顕著領域特徴の取得

3.2   グラフ構造データの構築

3.3   マルチグラフニューラルネットワークの協調学習

図 2 初期グラフ相互作用の概略図

図 3 動的情報拡張グラフ畳み込みモジュール

図 4 注意知覚融合モジュール

3.4   損失関数

4. 実験結果と解析

4.1   データセットと評価指標

4.2    実験のセットアップ

表 1 さまざまな設定におけるパラメータ NN および kk のパフォーマンス結果

異なるパラメータ設定における評価指標値を総合的に考慮して、本論文で選択したグラフノード数 N と隣接ノード数 k はそれぞれ 32 と 8 となる。

4.3   性能比較

 4.3.1 定量的な比較

図 5 3 つの標準データセットに対する 9 つのメソッドの PR 曲線

表 2 4 つの標準データセットに対する 9 つのメソッドの Sα、 

およびMAEインジケーター

 4.3.2 定性的比較

図 6 視覚的な比較結果

4.4   アブレーション実験

図 7. パフォーマンス指標 Sα、Fωβ、および MAE に対するさまざまな関係タイプの数の影響曲線

表 3 さまざまなモジュールのパフォーマンスへの影響

5。結論

免責事項：公式アカウントに転載された記事や写真は、参考や議論のための非営利の教育および科学研究を目的としたものであり、彼らの見解を支持したり、その内容の信頼性を確認したりするものではありません。著作権は原著作者に帰属しますので、転載原稿に著作権等の問題があった場合は、速やかに削除のご連絡をお願いします。

「人工知能技術とコンサルティング」をリリース