Oct, 2015

DeepFix: 一种用于预测人眼注视的全卷积神经网络

PDF
TL;DRDeepFix 是一种全新的卷积神经网络，可用于准确地预测显著性图，并集成了多尺度语义和全局上下文，并通过引入 Location Biased 卷积层来解决空间不变性问题，其表现优越。
human visual attentionsaliency predictionneural networkend-to-endlocation-biased convolutional layer
发现论文，激发创造
  • 深度视觉注意力预测

    通过深度学习网络结构，我们的视觉注意力网络从全局到本地不同范围内的多尺度特征中提取等级显著信息以预测人眼的视觉注视点，并在各种基准数据集上实现了最先进的性能表现。

    May, 2017

  • 一种基于 LSTM 的显著性关注模型用于预测人眼注视点

    提出了一种基于卷积 LSTM 的新型模型，结合神经注意机制，可预测准确的显著图，并学习一组使用高斯函数生成的先验图，这种模型在公共显著性预测数据集上表现优于现有技术，可以克服人眼注视典型的中心偏差，并且对于不同的情境展现了关键组件各自的贡献。

    Nov, 2016

  • Deep Gaze I: 用在 ImageNet 训练的特征图提升显著性预测

    本文介绍一种新颖的方法，通过重复使用深度神经网络的预训练模型，构建一种针对显著性预测的模型，从而有效地提高了预测准确性，并展示此网络结构可以为视觉注意机制的理解提供新的见解。

    Nov, 2014

  • 基于上下文编码器 - 解码器网络的视觉显著性预测

    该论文提出了一种基于卷积神经网络的方法，通过提取多尺度的高级视觉特征和上下文信息，结合全局场景信息，用于准确预测视觉显著性，可以适用于资源受限的应用，如（虚拟）机器人系统，从而在多个基准测试数据集上取得了有竞争力和一致的结果。

    Feb, 2019

  • 利用深度学习在中央凹区图像中学习搜索和检测物体

    研究了利用仿生学注意机制的物体识别方法，通过采用集成注意力、分类和定位的双重任务模型，利用人类注意力系统分辨图像中的感兴趣区域。

    Apr, 2023

  • 自然视频显著性预测的深度学习

    通过使用新的深度学习技术，本文旨在检测自然视频中的显著区域。首先预测视频帧中的显著补丁，然后基于它们构建预测的视觉注视地图。我们展示了通过更改优化网络参数的数据选择方式，可以将计算成本节约多达 12 倍。将 RGB 值的深度学习方法扩展到具有特定性的视频以利用人类视觉系统对残留运动的敏感性。在两个公开可用数据集上进行实验，并展示了较高的准确度和 AUC 度量。

    Apr, 2016

  • CNN Fixations: 可视化区分性图像区域的解析方法

    本文提出了一种可以为神经网络预测结果提供可视化解释的方法，通过解开 CNN 前馈操作运用层次体系结构中的特征依赖，揭示出指导网络预测的鉴别性图像位置，命名为 CNN-Fixations。该方法不需要架构改变、额外训练或梯度计算，且能够定位不同网络架构、各种视觉任务和数据模态下的鉴别性图像位置。

    Aug, 2017

  • SG-FCN: 一种基于运动和记忆的视频显著性检测深度学习模型

    通过模拟人类观看视频时的记忆机制和视觉注意机制，我们提出了一种新颖高效的视频眼球凝视检测模型，通过在时间轴上组合记忆信息和在空间轴上的运动信息，存储当前帧的显著性信息来改善显著性检测性能，并通过分层训练获得模型，实验结果表明我们提出的模型在多个公开数据集上优于现有的 11 个最先进的方法。

    Sep, 2018

  • 浅层卷积网络和深度卷积网络用于显著性预测

    本文提出了一种使用卷积神经网络（Convnet）进行显著区域预测的全数据驱动方法，其训练过程通过损失函数对 Euclidean 距离进行测量，利用大量的显著性预测数据进行端到端的快速和精确的架构设计，并提出了两种模型架构解决方案，是首个训练和测试用于显著性预测的端到端卷积神经网络。

    Mar, 2016

  • 端到端卷积网络用于显著性预测

    本文介绍了基于数据驱动方法的卷积神经网络用于预测图像中显著性区域，并使用损失函数衡量预测结果的欧几里得距离和真实值的差距来进行学习和训练，该网络在 LSUN 2015 挑战赛中表现优秀，是一种快速准确的预测显著性区域的方法。

    Jul, 2015