深度对比学习用于显著性目标检测
本文提出了一种基于深度对比型深度神经网络的反卷积模型进行显著性目标检测的方法,能够解决现有方法中时间和精度的局限性,并且在多个基准数据集上都表现出良好的性能。
Mar, 2018
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
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
本文提出一种结合 CNN 的区域级显著性估计和像素级显著性预测的新型显著性检测方法,通过使用多尺度特征学习来构建像素级 CNN 并使用自适应超像素进行区域级显著性估计,最后使用另一个 CNN 对像素级和区域级显著性进行融合,实验结果表明该方法优于现有显著性检测方法。
Aug, 2016
本文提出了一个深度学习模型,通过数据增强技术和动态显著性模型来高效地检测视频中的显著区域,该模型在 DAVIS 和 FBMS 数据集上达到了最新的性能标准。
Feb, 2017
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
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
本研究提出了一种新的神经网络,用于保护边缘和多尺度语境下的显著对象检测。该框架旨在解决现有的基于 CNN 的方法存在的两个限制:区域 CNN 方法缺乏足够的上下文来准确定位显著对象,而基于像素的 CNN 方法由于卷积和池化层的存在而具有模糊的边界。该方法可广泛应用于 RGB-D 显著性检测,并具有清晰的检测边界和多尺度语境下的鲁棒性。实验结果显示,该方法在六个 RGB 和两个 RGB-D 基准数据集上均取得了最优性能。
Aug, 2016
本文提出了一种自适应融合方案,通过两个卷积神经网络中提取的特征和预测的显著性地图,学习一个切换显著性地图的开关来自适应地融合 RGB 和深度模态中所生成的显著性预测。为了实现全监督,利用显著性监督、开关映射监督和边缘保留约束来设计了一个损失函数,并通过端到端训练方式训练整个网络。经过自适应融合策略和边缘保留约束的好处,我们的方法在三个公开数据集上优于已有方法。
Jan, 2019
本文提出了一种使用深度监督复发卷积神经网络(DSRCNN)实现完整图像显著性预测的新型显著性检测方法,经过在 VGGNet-16 上基于重复连接和边缘输出层的优化设计,测试验证结果在五种基准数据集上均显著优于目前显著性检测领域的相应方法。
Aug, 2016