شناسایی شی برجسته در پیش بینی تمرکز نگاه با استفاده از یادگیری عمیق

شناسایی شی برجسته، توجه محققین در حوزه‌های مختلف را به خود جلب کرده‌است بگونه‌ای که در بسیاری از کاربردهای ماشین بینایی از جمله شناسایی و رهگیری شیء بکار گرفته می‌شود. بیشتر کارهای انجام شده در این حوزه مبتنی بر مدل‌های بصری پائین به بالا می‌باشند و از ویژگی‌های سطح پائین برای استخراج تصویر برجستگی نهایی استفاده می‌کنند که از دقت قابل توجهی در تشخیص شیء چشمگیر برخوردار نمی‌باشند. از طرفی مدل‌های بصری بالا به پائین برای کاربردهای خاصی مورد استفاده قرار می‌گیرند. در این مقاله روش متفاوتی برای استخراج تصویر برجستگی شیء ارائه شده است که از ویژگی‌های سطح پائین به بالا و بالا به پائین برای استخراج تصویر برجستگی استفاده می‌کند و مبتنی بر فرآیند یادگیری می‌باشد. انتخاب همزمان این ویژگی‌ها باعث بهبود الگوریتم پیشنهادی در کاربردهای مختلف می‌شود و باعث افزایش دقت شناسایی شیء چشمگیر می‌شود. فرآیند یادگیری با استفاده از شبکه عصبی کانولوشن انجام می‌گیرد. پس از اینکه تصویر به سوپرپیکسلهای آن تجزیه شد، ویژگی‌های متفاوتی از آن استخراج می‌گردد. سپس ویژگی‌های استخراج شده به میانگین صفر و واریانس واحد نرمالیزه شده و از الگوریتم شبکه عصبی کانولوشن به‌منظور آموزش دادن ویژگی‌ها استفاده می‌شود. دقت روش پیشنهادی با استفاده از 8 تصویر برجستگی و یادگیری عمیق بهبود داده شده است. روش پیشنهادی با بیش از 20 روش دیگر و در 4 پایگاه داده شناخته شده msra1000، ecssd، msra10k و pascals مورد ارزیابی و مقایسه قرار گرفته شده است. نتایج حاکی از کارآیی روش پیشنهادی نسبت به سایر روش‌ها در زمینه پیش‌بینی شیء چشمگیر در تعیین تمرکز نگاه می‌باشد.

Saliency Detection in Eye Gaze Prediction by Using Deep Learning

Salient object detection attracted the attention of researchers in various fields, so that it is used in many applications of the visual machine, such as object detection and tracking. Most of the work in this area is based on bottomtop saliency models and use lowlevel features to extract the final saliency map that these works do not have a significant accuracy in salient object detection. On the other hand, topdown visual models are used for the specific applications. In this paper, a different method has been proposed to extract the salient object map that uses lowup and topdown attributes for extracting the salient and it is based on the learning process. The simultaneous selection of these features makes the proposed algorithm for various applications and increases the accuracy of the salient object detection. The learning process is performed by using the and Convolutional Neural Network (CNN) structure. After the decomposition of image to its super pixels, different features of image are extracted. Then, the extracted features are normalized to have zero mean and unit variance, and CNN is used to train the features. The accuracy of the proposed method is improved by using of the 8 salient and CNN. The performance of the proposed method has been compared to twenty method by applying four new databases including MSRA100, ECSSD, MSRA10K and PaskalS. The proposed method provides better results compared to the other methods in respect to prediction of salient object.