循环注意力网络用于显著性检测
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
本论文提出了一种基于深度卷积神经网络的图像显著性计算框架,用于在复杂背景下准确识别感兴趣的物体。该框架结合了粗略和精细级别的观察,通过两个堆叠的卷积神经网络建立显著性模型。经过实验证明,该框架的性能胜过其他先前方法,并且具有很好的通用性。
Nov, 2015
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
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
本文提出了一种新的计算显著性模型,即深度空间上下文长期循环卷积网络(DSCLRCN),以预测自然场景中人们注视的位置,并将场景上下文调制集成到DSLSTM中,从而显着提高了显著性检测性能。
Oct, 2016
本文提出了一种像素级的上下文注意力网络——PiCANet,旨在学习选择性地注意每个像素的信息上下文位置,通过全局和局部形式,构建所关注的上下文特征,与U-Net结构相结合,可以准确且均匀地检测显著对象,在显著性检测性能方面表现优异。
Aug, 2017
本文提出了一个名为PiCANet的新型像素级上下文关注网络,通过对上下文区域的关注权重进行学习,选择性地融合有用的上下文特征,最终应用于显著性检测、语义分割和物体检测等领域,相对于其他同类方法性能有显著的提升。
Dec, 2018
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
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
提出了一种新的GCAGC方法用于共同显著性检测的任务,通过图卷积网络和注意力图聚类来确定共同的复杂前景对象,采用编码器-解码器结构来统一地训练和优化,最终的实验结果表明,在三个共同显著性检测基准数据集上,GCAGC方法在大多数方面都取得了显著改进。
Mar, 2020