该研究提出了一种基于显著性引导的图像分割网络,利用自我注意力显著性方法生成微妙的显著性地图,并通过点种植区域生长方法将地点线索扩展为像素级标签,从而生成具有区分性的对象区域。实验结果表明,该方法有效降低了显著性噪声的影响,提高了弱监督图像分割的准确性。
Oct, 2018
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
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
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。
本文研究利用显著性在很少的训练数据时提高卷积神经网络的分类准确性。我们利用在现有 CNN 架构中添加显著性分支来引导特征提取过程,从而训练出一个具有高水平的对象识别精度的模型。我们的实验表明,显著性方法可以显著提高网络性能,特别是在很少的训练数据情况下。
Aug, 2018
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
本文介绍了一种快速的显著性检测方法,可以应用于任何可微分的图像分类器,其通过训练掩膜模型来操纵分类器的分数,从而检测图像的显著部分,并在 CIFAR-10 和 ImageNet 数据集上进行了测试,表明其结果优于其他弱监督方法。
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
本文主要研究弱监督物体检测(WSOD)中缺乏位置监督的问题,并将显著性集成到深度网络中,对高置信对象提出类别特定的显著性,这些特定的位置信息、语义信息和显著信息来显式监督网络,并通过预测网络隐式地指导本地化过程,实现了端到端的训练,实验结果表明,我们的方法优于所有最先进的方法。
Jun, 2017