Oct, 2014

显著物体检测：一种判别区域特征融合方法

PDF
TL;DR本文提出一种基于多层图像分割的监督学习方法，将区域特征向量映射到显著性得分，最终融合多个级别的得分来产生显著图，同时通过研究区域对比度和背景性质，实现了在六个基准数据集上优于现有方法的显著物体检测算法。
salient object detectionsaliency map computationregional feature integrationsupervised learningbenchmark datasets
发现论文，激发创造
  • 基于显著性引导的快速 R-CNN 细粒度判别定位

    本文提出了一种基于注意力引导下的快速卷积神经网络的判别定位方法，具备同时定位判别区域和编码判别特征的能力，并将其应用于细粒度图像分类任务中，取得了最佳分类准确性和效率。

    Sep, 2017

  • 概率性显著性估计

    本文提出了一种基于概率框架的优化方法来解决显著性目标检测的问题，同时还与图割、扩散映射和一类分类方法相结合，实现了对局部 / 全局对比度和大面积显著性线索的全局最优近似，该方法在包括大约 17k 张图像等多个评价指标的显著目标检测数据集上的表现优于现有算法，计算复杂度与许多现有技术相当 / 有利。

    Sep, 2016

  • 利用语义先验的显著目标检测

    本文提出了将语义先验嵌入显式和隐式显著性图中的算法，以形成像素精度显著性图。在 ECSSD 和 HKUIS 两个具有挑战性的数据集上进行的广泛实验表明，本方法优于其他最新方法。

    May, 2017

  • 显著性目标检测综述

    本文介绍近期在显著物体检测领域中的一些进展和问题，涵盖了 228 个出版物，讨论了关键概念、任务、核心技术和建模趋势、数据集和评估指标，并探讨了模型性能的数据集偏差和评估指标等方面的开放性问题以及未来的研究方向。

    Nov, 2014

  • 实例级显著目标分割

    本篇论文介绍了如何通过使用深度卷积神经网络，建立图像中的显著性实例分割方法，通过一个多尺度显著实例分割网络生成高质量的显著性分割结果，并在公共基准测试中取得了最优的结果。

    Apr, 2017

  • 面向深度神经网络可视化的区域多尺度方法

    该论文提出了一种基于区域的方法来估计图像中特征的重要性，利用多尺度分割产生更具类别区分度和视觉效果的显著图，通过对输入图像进行多尺度分割来构建一个正态分布，并对边界先验进行仿真，证明该方法比传统方法更有效。

    Jul, 2018

  • DeepSaliency：多任务深度神经网络模型用于显著目标检测

    本研究提出了一种基于全卷积神经网络的多任务深度显着性模型，通过数据驱动的策略对显着性先验信息进行编码，并设置一个多任务学习框架来探索显着性检测和语义图像分割之间的内在相关性。实验结果表明，与现有方法相比，该方法在显着性对象检测方面具有明显的优势。

    Oct, 2015

  • 无损特征反射的显著物体检测

    本研究提出了基于对称全卷积网络的独特特征学习框架，该方法将无损特征反射的指导下，结合显著目标的位置信息、语境和语义信息，用于更精确地进行显著性预测，并使用新的结构损失函数来辅助预测边缘和保证空间一致性。实验表明，该方法在七个显著性检测数据集上均取得了优异的性能，超过了最近的先进方法。

    Feb, 2018

  • 基于多尺度深度 CNN 特征的视觉显著性检测

    本研究采用深度卷积神经网络来提取多尺度特征，实现了高质量的图像显著性模型，另外还结合了手工特征，取得了很好的效果，提供了一个相应的实验数据集。

    Sep, 2016

  • 基于深度融合的 RGBD 显著物体检测

    本文提出了一种新的卷积神经网络来融合不同的 RGBD 低级显著性线索，利用 Laplacian 传播框架提取空间一致的显著性图，并在三个数据集上进行了广泛的实验评估，结果表明这种方法始终优于现有的最先进方法。

    Jul, 2016