通过增强假设进行显著对象检测
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
本文提出了一种新的基于标签传播的显着性检测方法,该方法利用最确定的背景和物体区域提取出的标签来估计图像中的显着性,并通过一种内部传播方案将相似度排名应用于边界标签以决定其它超像素的显着性,同时采用三种因素来提取前景标签并将其与边界标签通过一种交互传播方案进行融合,最后,在五个基准数据集的像素级准确注释上的结果表明,该方法在不同的评估指标方面均表现优于最新的同类方法。
May, 2015
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
该篇论文提出了一种基于分类模块的自顶向下显著目标检测框架,通过对象字典计算稀疏编码来训练分类器,其在分类准确率和计算复杂度方面都有所提高,同时也强调分类器在显著目标检测中的重要性。
Apr, 2016
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。
Oct, 2014
本篇论文提出采用无监督学习方法生成的显著图用于像素级注释,在此基础上采用简单而有效的算法训练卷积神经网络,使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图,结果表明,该算法与目前最佳的强监管方法相当,性能明显优于所有最新的无监督显著性检测方法。
Mar, 2018
通过在 6 个具有挑战性的数据集上定量和定性地比较 40 个最先进的模型(28 个显著性目标检测、10 个注视预测、1 个目标性、1 个基准)以进行显著目标检测和分割方法的基准测试,评价显示,这个领域在准确度和运行时间方面在过去几年里有了持续的快速进步。对于这个问题,我们发现显著目标检测专门设计的模型通常比相关领域中的模型表现更好,这为问题的精确定义提供了提示,并提出了一些可能的解决方案和未来的研究方向。
Jan, 2015
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
该研究通过迭代地关注图像补丁并进一步增强预测的分割掩模,使用基于 ConvGRU 网络的聚合策略独立估算每个图像补丁的显著性特征,实现端到端的图像分割,较现有方法表现更优,消除背景噪声和假阳性。
May, 2019
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