一、开题报告题目：基于深度学习的显著性目标检测算法研究
二、开题报告答辩人：李龙
三、开题答辩时间：2021-7-18 20：35
四、开题答辩地点：腾讯会议（371710101）
五、开题答辩内容简介：
显著性目标检测算法旨在以二值分割的方式将图片中的显著物体检测出来，今年来随着深度学习算法的发展，基于深度学习的显著性目标检测算法在简单场景下已经取得了重大进步，但是在面临各种复杂场景时，其算法性能的提升空间仍然十分可观。经过分析，当前显著性检测算法仍存在以下缺陷：显著物体定位不够精准，不能完整分割自身结构复杂的显著物体，显著物体的分割边界不够清晰，分割图中存在不确定的模糊区域。这些缺陷可从增强特征的语义表征性和引入更多的空间信息这两个角度出发来解决，本次开题在深度神经网络模型相应模块的设计以及损失函数的改进等方面提出思路，来解决上述缺陷。首先为提高特征的语义表征性，提出了两种思路，第一是将最近流行的注意力机制和动态卷积机制相结合，利用全局上下文信息构建卷积核，实现感知更加广泛且形式更为灵活的特征提取方式，第二是软化硬性标签，减少模型的刚性，提升其对数据库数据拟合的灵活性。接着为恢复更多的空间信息，也提出了两种思路，一是直接利用注意力机制将底层高分辨率特征的空间关系映射到高层低分辨率特征中去，二是直接对高层特征的边界区域进行高级语义关系建模，即显著物体边界区域同显著物体内部区域为正相关关系，同其他区域为负相关关系。
六、开题答辩人简介（附照片、个人基本信息、研究方向、获奖情况等）
2018年本科毕业于我院信息安全专业，同年保研至我院控制科学与工程专业，通过申请硕博连读，于2019年秋季转为博士。研究方向为计算机视觉，显著性目标检测。
