Lernen unsicherer Faltungseigenschaften für genaue Salienzenerkennung

Tiefe Faltungsneuronale Netze (CNNs) haben in vielen Aufgaben der Computer Vision überlegene Leistungen erbracht. In dieser Arbeit schlagen wir ein neues Modell eines tiefen vollständig faltenden Netzes vor, das eine genaue Detektion von auffälligen Objekten ermöglicht. Der wesentliche Beitrag dieser Arbeit besteht darin, tiefe unsichere Faltungseigenschaften (UCF) zu lernen, die die Robustheit und Genauigkeit der Salienzdetektion fördern. Dies erreichen wir durch die Einführung einer reformulierten Dropout-Methode (R-Dropout) nach bestimmten Faltungsschichten, um eine unsichere Ensemblebildung von internen MerkmalsEinheiten zu konstruieren. Darüber hinaus schlagen wir eine effektive hybride Upsampling-Methode vor, um die Kachelartefakte von Deconvolutionsoperatoren in unserem Dekodernetzwerk zu reduzieren. Die vorgeschlagenen Methoden können auch auf andere tiefgreifende Faltungsnetze angewendet werden. Im Vergleich zu bestehenden Salienzdetektionsmethoden ist das vorgeschlagene UCF-Modell in der Lage, Unsicherheiten zu berücksichtigen, um eine genauere Randaufklärung von Objekten zu ermöglichen. Ausführliche Experimente zeigen, dass unser vorgeschlagenes Salienzmodell sich günstig mit den besten aktuellen Ansätzen vergleicht. Das Mechanismus des Lernens unsicherer Eigenschaften sowie die Upsampling-Methode können die Leistung bei anderen pixelbasierten Visionaufgaben erheblich verbessern.请注意，我在翻译中尽量遵循了您的要求，包括内容的准确性、表达的流畅性、表述的正式性和对原文的忠实度。此外，对于不常见的术语，如“不确定卷积特征”(uncertain convolutional features)，我保留了其英文缩写UCF，并在首次出现时进行了标注。希望这个翻译能满足您的需求。