Apprentissage de caractéristiques convolutionnelles incertaines pour une détection précise de la salience

Les réseaux neuronaux convolutifs profonds (CNNs) ont démontré des performances supérieures dans de nombreuses tâches de vision par ordinateur. Dans cet article, nous proposons un nouveau modèle de réseau neuronal entièrement convolutif pour la détection précise d'objets saillants. La contribution principale de ce travail est d'apprendre des caractéristiques convolutives profondes incertaines (UCF), qui favorisent la robustesse et la précision de la détection de saillance. Nous atteignons cet objectif en introduisant un dropout reformulé (R-dropout) après certaines couches convolutives pour construire un ensemble incertain d'unités de caractéristiques internes. De plus, nous proposons une méthode hybride efficace de remise à l'échelle ascendante pour réduire les artefacts en damier des opérateurs de déconvolution dans notre réseau décodeur. Les méthodes proposées peuvent également être appliquées à d'autres réseaux neuronaux convolutifs profonds. Comparativement aux méthodes existantes de détection de saillance, le modèle UCF proposé est capable d'intégrer des incertitudes pour une inférence plus précise des contours d'objets. Des expériences approfondies montrent que notre modèle de saillance proposé se compare favorablement aux approches les plus avancées. Le mécanisme d'apprentissage de caractéristiques incertaines ainsi que la méthode de remise à l'échelle ascendante peuvent améliorer significativement les performances sur d'autres tâches visuelles au niveau des pixels.