基于改进层次主成分分析法的显著性检测

摘要

针对当前重要目标检测方法存在的背景噪声大、精度低、计算复杂度高等问题，提出了基于层次主成分分析的视觉显著性检测算法。首先，将原始RGB图像转换为灰度图像，利用位面分层技术将原始灰度图像分为八层。每个图像层包含与层图像特征匹配的重要对象信息。其次，以原始图像的颜色结构作为参考图像，通过灰度-颜色转换方法对灰度图像进行重新分配，使分层图像既能反映原始图像的结构特征，又能有效地保留原始图像的颜色特征。第三，对分层图像进行主成分分析（PCA），得到图像各层在主成分方向上的结构差异特征和色差特征。第四，结合两个特征得到鲁棒性高的显著性图，进一步细化结果；已知的先验知识已经融入到图像组织中，可以将照片的主体放在图像中心附近。最后，利用熵计算从分层显著性图中确定最优图像；与其他地图相比，最优地图具有最少的背景信息和最显著的显著性对象。该模型的目标检测结果更接近地面真实情况，并充分利用了准确率（PRE）、召回率（REC）和图像质量等性能参数 -测量(FME)。HPCA模型的结论可以明显减少冗余信息的干扰，有效地将显著目标从背景中分离出来。与其他方法相比，该方法提高了检测精度。

1.介绍

人类的视觉注意机制使人类能够实时定位在复杂场景图像中重要信息对应的位置，以确定不同目标的优先顺序，从而有效地减小了视觉处理的范围，从而极大地节约了计算资源。因此，研究人类的视觉注意机制并将其应用到计算机视觉和图像处理的研究领域具有重要意义。目前，基于检测技术的人类视觉注意机制的突出领域已受到国内外研究者的广泛关注。该方法已成为计算机视觉研究领域的重要研究课题，并已成功应用于图像裁剪、多目标跟踪与识别、缩略图生成等方面。

计算机视觉领域的研究人员经常使用自底向上的过程来模拟视觉注意的机制，称为自底向上的显著性模型[1]模拟了人脑视觉皮层神经元对颜色、亮度、方向特征的融合机制，基于中心外围原理建立了视觉显著性模型，有效检测了显著性区域。该模型计算过程简单，但对目标区域的检测不准确。Yang等人[2改进了伊蒂的模型[1基于图论模型，提出了GBVS模型。计算方法与Itti模型相似[1，图像的颜色、亮度和方向是相同的。GBVS模式[2]可以通过马尔可夫随机场计算和计算显著性图，可以从全局角度检测图像显著性。但其缺点是效率低，无法识别目标轮廓。侯和张[3.]提出了光谱残差(Spectral Residual, SR)算法。廖等人[4]考虑到先验知识的幅值谱是从图像的幅值谱中减去的。其余部分为振幅谱的显著性部分，然后通过频域变换得到目标显著性映射。该算法速度快，但精度难以保证。Zhou等人提出了低秩(LR)算法[5].它能够从高级Apriori到低阶框架中提取更显著的特征，但计算量大，获得的显著性图较差。一般来说，自底向上的显著性方法大多是基本的、快速的、简单的，但显著性测试结果往往由密集的高光表示，因此无法t显示显著性对象的轮廓。

视觉显著性检测方法采用自顶向下模型。根据具体的任务，Hou等人[6]实现了自底向上的测试结果对形状、大小、特征数、阈值等的调整。Achanta等人[7]提出了调频(FT)算法。它是图像中每个图像像素值高斯低通滤波的平均像素之间的欧氏距离。图像的值具有图像点的显著性值，形成了一种基于全局显著性检测比较的测量方法。区域对比度(Region Contrast, RC)算法由Cheng等人提出[8，通过计算每个分区区域的显著性值，建立基于局部对比度的显著性图。Dalal和Triggs [9]提出了一种基于梯度直方图特征的人体检测方法。该方法利用梯度方向直方图信息表达人体特征，提取人体的形状信息和运动信息。它已经形成了丰富的功能集。通过局部对比度图像特征，这些自上而下的模型[10- - - - - -14进行了特征分析;由于提取了各种特征，这些模型的运算速度慢，容易受到光照环境等客观因素的影响，使得目标检测精度大大降低。

近年来，许多研究者将机器学习等方法应用到显著性检测中，并取得了很大的进展。例如，Yu等人[15和Chen等人[16]建立了基于人类视觉原理的深度卷积神经网络（DCNN）模型。结合超像素聚类方法得到图像区域特征。通过对特征的学习，可以实现有效的显著性检测。周唐[17]检测了机器学习和稀疏编码的有效性和鲁棒性。该方法鲁棒性高，但运算速度慢。为此，将主成分分析(PCA)应用于显著性检测;该方法保持了机器学习的效率[18，19]然而，当图像背景信息提取了代表显著性目标的主成分时，该主成分不能有效地表示显著性目标，这会导致在存在背景噪声的情况下获得更高的检测结果[20，21］．

在视觉显著性检测任务中，由于图像的复杂性，单级检测方法的显著性图不清晰[22]为了减少图像复杂度的影响，Wang等人[23]提出了层次显著性(HS)算法。Chen等[24]通过对图像进行分层并计算分层图，可以有效地抑制背景噪声对目标检测的干扰。

基于以上分析，为了削弱冗余信息对检测结果的影响效率和机器学习的保留率，本文提出了基于层次PCA模型的显著性目标检测算法，采用分层PCA方法，将图像分为不同程度缺乏背景信息的多层图像，以便在提取主成分信息的过程中减少计算量，减弱背景信息对检测过程的干扰，它保留了机器学习的效率，提高了算法的鲁棒性。图形1给出了本文算法的检测结果。

本文的主要贡献如下:(1)减小冗余信息对测试结果的影响，保持机器学习的效率;(2)将图像分割成具有不同背景信息的多层图像，降低了计算复杂度，减少了在提取主成分信息的过程中背景信息对检测过程的干扰;(3)保持机器学习的效率，提高算法的鲁棒性。

部分2描述了建议的算法细节3.给出了层次主成分分析生成显著性图的方法。部分4描述了在MRAS-1000、ASD-1000和ECSSD-1000数据集上的实验;比较;采用IT、GBVS、SR、LC、HS、BSCA、HDCT、DCRR等方法进行分析。部分5总结了本文的研究工作，并对今后的研究工作进行了展望。

2.提出的算法细节

层次PCA视觉显著性检测算法流程图如图所示2。不同位表层所包含的图像信息差异较大，第8幅图像显著降低了显著性目标所包含的信息，导致图像中显著性目标区域缺失。其他图像由于缺少位层，在一定程度上减少了背景信息，突出了显著对象中所包含的信息。

其基本处理过程如下:(1)对原始图像进行分层，利用包含图像的不同位数据层进行重构，从而突出目标信息的显著性;(2)为了整合多个特征，将原始的颜色结构分层后转移到灰度图像中，使图像的每一层都有对应于原始图像的相应的颜色结构;(3)利用主成分分析提取结构特征和颜色特征;(4)融合两个明显的特征，得到多个显著图;(5)通过信息熵选取最优结果。数字3.给出了该算法的一个例子。

2.1.钻头表面图像分层原理

8位灰度图像被认为是由8个1位的平面组成，每个平面都包含与之匹配的显著性信息。四个高阶位平面，特别是后两个位平面，包含了显著对象的大部分信息。低阶位平面在图像上提供了更详细的灰度细节，这意味着我们可以利用显著性信息和更多的位层来构建原始图像，突出显著性目标在整个图像中的比例。因此，可以使用不同的比特信息来表示分层图像。算法步骤如下:(1）将原始图像转换为灰度图像，作为图像的第一层(2）第一层图像的最低有效位层为零，获得图像的图片，其中包括作为第二层图像输出的七位层。第二层图像的最低有效位层为零，第三层图像输出(3）将不同位的二进制数据转换为十进制像素值，得到匹配位数的多层图像

采用去除二值数据和位级的方法实现图像分层。其目的是产生以主导目标为主要信息的多目标图像，减少背景信息的干扰。运行结果如图所示4。

在图中4，可以看出，不同的位平面包含不同的图像信息。这8幅图像明显地减少了显著性目标所包含的信息，使得图像中显著性目标区域缺失。其他图像由于缺少位层，也在一定程度上减少了背景信息，突出了视觉显著性对象中所包含的信息。

2.2.颜色转换

在灰度图像的基础上进行了基于位面的图像分层，为了保持分层图像的原始颜色特征，利用原始图像的颜色结构作为模板，将图像分层后的颜色传递给灰度图像。

在色彩转换过程中，常用的变换技术是灰度彩色变换，意思是图像中每个像素的黑色区域和白色区域。它们是由点的灰度值组成，并通过三个通道实现不同的亮度转换。它生成相应的红色价值、绿色价值,和蓝色的价值,即彩色图像和像素对应颜色的价值,这不仅可以保留对象的模式差异和原始图像的背景也显著提高双色编码目标对比,使检测更加方便。本文中颜色转换的实现步骤具体如下。

首先，以原始图像为参考图像(原始图像)和分割后的图像作为待处理的图像（灰色图像），将扩展到三个渠道，并扩展图像和变成了空间(为亮度分量，是蓝色组件，并且是红色部分)。

其次，由图像矩阵组成的每一列的最大值和最小值是假定。假设图像的分辨率为 ， 用于表示柱然后，矩阵中每列的最大值和最小值可以表示为：

然后，两幅图像的最大值，和 ，和两个图像的最小值，和 ，计算。对两幅图像进行归一化，得到重建的彩色图像模型。

转移彩色地图，将Mark2中的图像像素值转移到相应Mark1中的像素点，使分层灰度图像具有与原始图像相同的颜色结构。转换的结果如图所示5。

3.基于层次主成分分析的显著性图生成

主成分分析是多元统计分析过程中用来分析数据的模型。它是一种用少量特征描述样本以降低特征空间维数的方法。本文提出的算法是基于层次显著性对象附近像素的独特结构和颜色特征重建具有两个特征的显著性图。

由于分层的结果，图像每一层的集成模型和颜色模式都与其他图像不同;通过切片，图像减少了突出的目标;在分层图像中始终存在一层背景信息，通过对每一层图像进行显著计算，得出输出结果最接近真实值。实验结果如图所示6，其中数字6(一)-6(h)分别表示其上方对应分层图像的显著性图。算法的具体计算过程如下图所示6。

3.1. 结构特征提取

为了提高结构特征计算的效率，基于Wang等人的PCA模型[23已被刊登在报纸上。

首先，利用PCA模型对彩色图像进行分层分析，并将每一层划分为 块,为块的总数。对于单层图像，每个图像块都以像素点为中心表达的是 ，和平均图像块可以被定义为

他们可以计算每个图像块之间的距离和平均图像块 ， ，沿主成分方向。基于距离确定图像块是否具有显著的结构特征。这里，每个图像块的位置坐标由其中心像素表示 ，平均图像块的位置用表示 。的定义 显示为 哪里为两个图像块之间的方差。

判断的规则如下:何时 大于数据集的阈值时，图像块被认为是显著区域，另一个是普通图像块，从数学意义上讲，结构特征的提取归因于规范在PCA坐标系中。因此，结构特征被进一步定义为

在公式(7)，是在PCA坐标系中。操作符号是标准

３.２．颜色特征的提取

虽然结构特征的提取可以找到图像中最独特的块，但并不适用于所有图像，如图所示7，每个球体的结构特征是相同的，但颜色是不同的。在这种情况下，他们认为颜色特征更明显。因此，颜色特征的提取是必不可少的。

这里，通过两个步骤来检测图像块的色差。第一步是利用简单的线性迭代聚类超像素分割方法将图像的每一层分割成若干块，然后确定哪些块具有独特的颜色特征。在第二步中，图像块与中其他图像块之间的距离之和颜色空间定义为图像块的色差。在这里,表示的位置颜色空间中的块，以及表示的位置图像块。从数学意义上，提取图像块的颜色特征就是计算它的PCA坐标系中的范数。因此，颜色特征属于定义为

在上面的表格中，由两个块之间的距离表示。操作符号是标准表示超级像素分割后的块总数。

３．３．结构特征与颜色特征的显著性融合

单一的图像结构特征或颜色特征不能有效地表征显著目标的全部信息。为了获得准确的显著性目标，他们可以结合图像各层的结构和颜色特征来检测图像各层的显著性区域。这里，他们正在使用融合功能

之后，融合特征被限制在 归一化范围。由于视觉像素通常是聚集的，因此它们通常与真实场景中的对象相对应。为了进一步修改显著性模型，人们通常使用中心优先的方法将目标区域置于中心附近。基于Apriori算法的中心通常假定目标位于图像的中心图像作为假设条件。通过使用以峰值为中心的高斯函数定义中心的先验权重，根据权重分布突出显示图像中心的对象显著性。这里，不同的目标区域由一组不同阈值下的像素表示，阈值为u均匀分布于土壤中 时间间隔。因此，中心先验计算过程如下:(1）通过特征映射融合检测不同层次的图像像素集 ，并计算各阈值结果的重心(2）重心以高斯分布表示，并为每个阈值计算相应的高斯权值(3）将权重为5的高斯分布添加到每层的图像中心，以提高中心位置的权重

高斯权映射用于表示所有高斯分布的加权和，并根据权重分布的不同给出不同的显著性优先级。因此，可以进一步定义显著性映射，将融合特征映射与高斯权值映射相结合，得到显著性视觉显著性映射 。

3．4．最优结果的确定

经过以上步骤，可以得到每一层对应的显著性图像，最好的检测结果图即为最终输出图像。

在信息论中，熵是一个相对基本的概念，用随机事件的平均信息量来表示。信息熵通常意味着图像信号中前景噪声和背景噪声的分布。一般来说，如果图像的显著性区域越明显，它在整个图像中的表现就越突出，而重复的背景区域也会抑制得越多。因此，显著性区域也被聚集在直方图上特定区域的值中。它提供了小的信息熵。一般的规则是最小的信息熵对应最好的显著图。对于图像信号 ，它的信息熵定义为

在公式(11)， 表示图像的灰度值一致和行 ，和指发生的概率在图像 ，Ens表示图像的熵。然后是显著性图的最佳尺度可以表示为

对分层主成分分析处理后的多层显著图进行信息熵计算。分层图像的信息熵如表所示1。

表中的数据1每幅图像的信息熵是否如图所示8。他们利用上述信息熵决策规则对8级图像进行决策，选择最小的信息熵图像作为最优结果的输出，得到背景信息最少的显著性图，即表中的最终结果1。

4.实验结果与分析

实验方法采用MATLAB软件作为编程平台，在ThinkPad-E40笔记本电脑上实现算法。在MRAS-1000、ASD-1000、ECSSD-1000数据集上对层次PCA模型进行显著性检测，并与ITTI (IT)等方法进行比较[1， GBVS (gb) [2,老3.], LC [25], HS [23], BSCA [26]，HDCT[27]，和DCRR[28］．Itti等人的研究结果[1Yang等人[2，分别由侯和张提供[3.， Fang等[25， Wang等人[23]。CHS [29]已使用ECSSD数据集上生成的原始数据。视觉对比的结果如图所示9. 此外，为了客观地评估检测结果，使用了各种算法，例如准确率（PRE）、召回率（REC）和 -(FME)来评估绩效。PRE、REC和FME的定义如公式(13) - (15) [30］．

其中TP表示检测到显著性目标的图像像素个数。TN表示背景被正确划分为背景类中的像素个数。FP表示提取错误背景的像素数。FN表示显著性对象错误被划分为背景类中的像素数。AUC指标定义为ROC曲线与坐标轴所围合的下面积，最大值为1。AUC越大，该方法对人眼注视点的预测性能越好。

数字10显示 - 曲线[11，31在三个典型的公共数据集上采用不同的显著性检测算法。可以看出，由于ECSSD数据集的高识别率，HS和LC算法的准确率都在90%以上，但准确率参数较低。在ASD数据集上，各算法都在一定程度上降低了查全率，IT、GB、LC等算法的查准率参数明显降低。在ASD数据集中，GB算法的查全率较高，HS算法在查准率和查准率上具有一定的优势 -测量值。一般情况下，算法在不同数据集上的准确率均在90%以上 -测量值高于其他算法。检测结果稳定、稳健。

数字11对比直方图是 -各算法测量值结果如图所示12。可以看出，由于ECSSD数据集的图像识别率较高，HS和LC算法的准确率都在90%以上，但是 -测量值低。在较复杂的MRAS数据集上，每种算法都在一定程度上降低了召回率，并在一定程度上降低了召回率 -IT、GB、LC等算法的测量值显著降低。在比较简单的ASD数据集上，GB算法有较高的查全率，HS算法在准确率和查全率方面有一定的优势 -测量值。一般情况下，该算法在不同数据集上的准确率均在90%以上，且平均准确率为100% -测量值高于其他算法。该方法检测效果稳定，鲁棒性优于其他方法。

表中的结果2可以显示每种方法的AUC得分。可以看出，我们的方法具有最高的AUC得分，说明我们的方法在背景复杂的自然图像中仍然具有良好的检测效果，能够有效地标记显著性目标。同时表明，本文方法具有较高的精度，得到的显著图更接近地面真实值。

计算速度是评价该方法优越性的一个重要指标。该方法的计算速度决定了它是否适用于实时系统。作为图像处理各个领域的预处理过程，计算速度非常重要。在方法精度满足预期要求的前提下，计算速度越快，方法的整体性能越好。各方法的平均计算时间见表3.。本文方法计算速度快，能满足基本的应用要求。

5.结论

本文提出了一种基于层次PCA模型的显著性目标检测算法，实验结果表明，该算法能够减少背景噪声的干扰，且背景与目标的分离在精度、召回率和鲁棒性方面具有一定的优势 -测量参数，同时保留机器学习方法的优良特性，以提高显著性检测效果。因此，层次PCA显著性检测是复杂背景下目标检测的有效方法。层次主成分分析算法不能同时分析图像中的所有信息。当背景中的目标具有相同的亮度和分辨率时，很难提取出完整的目标信息。因此，该技术的未来工作是研究目标信息不完整的问题，进一步提高整幅图像的信息利用率，以获得更准确、更显著的目标信息。

数据可用性

没有数据支持这项研究。

的利益冲突

作者声明本文的发表不存在利益冲突。

致谢

国家自然科学基金项目(No. 61972056, No. 61972212, No. 61402053, No. 61981340416);交通大数据智能处理湖南省重点实验室开放基金项目(No. 2015TP1005);长沙市科技计划项目(No. KQ1703018, No. KQ1706064, No. 61981340416)湖南省教育厅科研基金项目(No. 17A007, No. 19B005)，长沙市工业科技专员项目(No. 2017-7)，江苏省自然科学基金项目(No. KQ1703018-01, No. KQ1703018-04);长沙理工大学青年教师发展计划资助项目(No. 2019QJCZ011);

参考文献

1. L. Itti, C. Koch，和E. Niebur，“基于显著性的快速场景分析视觉注意模型”，模式分析与机器智能学报，第20卷，第2期。11，第1254-1259页，1998。视图:出版商网站|谷歌学术搜索
2. 杨超，张磊，杨敏，“基于图的流形排序的显著性检测”2013年IEEE计算机视觉和模式识别会议，第3166-3173页，俄勒冈州波特兰，美国，2013年6月。视图:出版商网站|谷歌学术搜索
3. 侯昕、张磊，“显著性检测:一种基于光谱残差的方法”2007 IEEE计算机视觉与模式识别会议，第1-8页，明尼苏达州明尼阿波利斯，美国，2007年6月。视图:出版商网站|谷歌学术搜索
4. Liao，R.Zhang，S.He，D.Zeng，J.Wang和H.-J.Kim，“数据中心网络中基于深度学习的低延迟数据存储，”IEEE访问，第7卷，26411-26417页，2019。视图:出版商网站|谷歌学术搜索
5. 周胜，柯敏，罗平，“多摄像头转移GAN用于人的再识别，”视觉传达与图像表现杂志，第59卷，第59期2，第393-400页，2019。视图:出版商网站|谷歌学术搜索
6. X.Hou，J.Harel和C.Koch，“图像特征：突出稀疏显著区域，”模式分析与机器智能学报，第34卷，第1期，第194-201页，2012年。视图:出版商网站|谷歌学术搜索
7. R. Achanta, S. Hemami, F. Estrada, and S. Susstrunk， "频率调谐显著区检测"，刊于2009 IEEE计算机视觉与模式识别会议，第1597-1604页，美国佛罗里达州迈阿密，2009年6月。视图:出版商网站|谷歌学术搜索
8. m m。程乃杰，黄晓明，托尔。“基于全局对比度的显著区域检测”，模式分析与机器智能学报，第37卷，第2期3, pp. 569-582, 2015。视图:出版商网站|谷歌学术搜索
9. N. Dalal和B. Triggs，“面向人类检测的梯度直方图”2005 IEEE计算机学会计算机视觉与模式识别会议(CVPR’05)，第886-893页，美国加利福尼亚州圣地亚哥，2005年6月。视图:出版商网站|谷歌学术搜索
10. “一种基于支持向量机的在线学习算法，”集群计算第22卷第2期S3, pp. 7435-7445, 2019。视图:出版商网站|谷歌学术搜索
11. 罗颖，秦建军，向晓霞，刘强，“基于图像块匹配和密集卷积网络的无覆盖实时图像信息隐藏，”实时图像处理杂志，第十七卷，第二期1, pp. 125-135, 2020。视图:出版商网站|谷歌学术搜索
12. Yu f, Liu l, S. Qian等，“基于混沌的新型多稳态5D记忆超混沌系统的应用”，复杂性， 2020年，第8034196条，19页，2020年。视图:出版商网站|谷歌学术搜索
13. 张志强，刘磊等，“一种基于干扰输入的新型五维多稳四翼记忆超混沌系统的安全通信方案，”复杂性， 2020年，第5859273条，6页，2020年。视图:出版商网站|谷歌学术搜索
14. “基于剪切波变换和高阶统计量的水力压裂微震初至波提取方法”，地震勘探学报第28卷第2期6，第593-618页，2019。视图:谷歌学术搜索
15. Y. Yu, S. Tang, K. Aizawa, A. Aizawa，“基于类别的深度CCA用于从多模式数据中细粒度场地发现，”神经网络和学习系统的IEEE交易，第30卷，第4期，第1250-125812019页。视图:出版商网站|谷歌学术搜索
16. “基于特征融合模型的多尺度快速相关滤波跟踪算法”，并发性和计算:实践和经验,没有。e5533条,2019年。视图:出版商网站|谷歌学术搜索
17. Zhou L.， Tang J.，“基于l1范数的分数阶总变分盲图像恢复”，应用数学建模，第51卷，第469-476页，2017。视图:出版商网站|谷歌学术搜索
18. 余宇，唐淑珍，“深度跨模态关联学习在音乐检索中的应用”，《多媒体计算、通信和应用》，第15卷，第1期，第1-16页，2019年。视图:出版商网站|谷歌学术搜索
19. Li W.， H. Xu, H. Li et al.，“具有智能设备的网络中叠加数据上传问题的复杂性和算法”，IEEE物联网杂志，第1页，2019年。视图:出版商网站|谷歌学术搜索
20. “基于结构最优图的半监督学习稀疏特征提取，”信号处理2020年，第170卷第107456条。视图:出版商网站|谷歌学术搜索
21. H. Lu, Y. Li, S. Mu, D. Wang, H. Kim, S. Serikawa，“基于强化学习的无人机运动异常检测”，IEEE物联网杂志，第5卷，第5期。4，第2315-2322页，2018。视图:出版商网站|谷歌学术搜索
22. 顾凯，吴南，尹斌，贾伟，“基于云计算的安全数据查询框架，”IEEE网络与服务管理汇刊，第十七卷，第二期1, pp. 332-345, 2020。视图:出版商网站|谷歌学术搜索
23. 王建军，江汉民，袁子元，郑明明，胡晓明，郑宁，“显著目标检测：一种有区别的区域特征整合方法，”国际计算机视觉杂志号，第123卷2, pp. 251-268, 2017。视图:出版商网站|谷歌学术搜索
24. “基于自适应组合核的视觉目标跟踪算法研究”环境智能与人性化计算杂志，第10卷，第5期。12, pp. 4855-4867, 2019。视图:出版商网站|谷歌学术搜索
25. “立体视频的视觉注意建模:一个基准和计算模型，”，李建军，M. Perreira da Silva, P. le Callet，“立体视频的视觉注意建模:一个基准和计算模型，”IEEE图像处理汇刊第26卷第2期10, pp. 4684-4696, 2017。视图:出版商网站|谷歌学术搜索
26. “基于细胞自动机的显著性检测”，国家自然科学基金重点项目，2012.01 - 2012.122015 IEEE计算机视觉与模式识别会议(CVPR)，第110-119页，波士顿，马萨诸塞州，美国，2015年6月。视图:出版商网站|谷歌学术搜索
27. J. Kim, D. Han, Y. Tai，和J. Kim，“通过高维颜色变换的显著区域检测”2014 IEEE计算机视觉与模式识别学术会议，第883-890页，美国俄亥俄州哥伦布市，2014年6月。视图:出版商网站|谷歌学术搜索
28. 王德华，李玉华等，“认知海洋网络的研究”，IEEE无线通信第26卷第2期第3页，90-96,2019。视图:出版商网站|谷歌学术搜索
29. 张建军，王伟，王建军，“交通标志分类的轻量化深度网络，”《电信, 2019.视图:出版商网站|谷歌学术搜索
30. “基于结构自相似度和变形块特征的单图像超分辨率算法”，IEEE访问，第7卷，第58791-58801页，2019。视图:出版商网站|谷歌学术搜索
31. Yu f, Liu l, Xiao l, K. Li, and S. Cai， " A robust fixed-time zeroing neural dynamics for computing时变非线性方程using A new nonlinear activation function， "Neurocomputing，第350卷，108-116页，2019。视图:出版商网站|谷歌学术搜索

版权

版权所有©2020陈元涛等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。