Aug, 2016

显著性整合：仲裁模型

PDF
TL;DR本研究提出一种基于仲裁模型的显著性整合方法，通过参考显著性模型和外部知识来纠正误导，利用两种不同的模型专业度估计方法，并使用贝叶斯整合框架，在四个数据集上对 27 种状态下的显著性模型进行广泛评估，结果表明提出的方法较现有的最先进的整合方法显著提高了性能。
saliency integrationarbitrator modelexpertise estimationbayesian integration frameworkevaluation results
发现论文，激发创造
  • 关于显著图和对抗鲁棒性

    本文提出了一种基于 Saliency map 的对抗训练方法（SAT），通过使用详细的弱显著性图（如边界框和分割掩码）来改进模型的对抗鲁棒性，同时展示了如何进一步提高性能。

    Jun, 2020

  • 简化显著性基准测试：分离模型、显著图和度量

    通过贝叶斯决策理论，将视觉显著性模型、显著性地图和评价指标分离，提出了一种基于概率模型的注视密度预测方法，并通过计算这些最优显著性地图来解决了显著性模型评估中不一致的指标问题。

    Apr, 2017

  • 显著物体检测：一种判别区域特征融合方法

    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

  • 图像层次结构上的显著性图

    本文提出了两种基于分层图像分割的显著性模型，它们可以高质量地生成显著性图，并在多个基准数据集上达到了最先进的性能水平。

    Aug, 2015

  • 易于决定、难于协定：减少显著性方法之间的分歧

    本研究探讨了神经 NLP 模型的黑匣子问题，发现排名相关性不适合于评估解释方法的一致性，提出了一个更加适合的选项 Pearson-r；通过研究 Easy-to-learn instances 的特点，我们发现增加信赖度可以提高解释方法之间的一致性。

    Nov, 2022

  • 基于概率分布预测的端到端显著性映射

    本研究提出一种基于 Bernoulli 分布的显著性图模型，并使用包括 softmax 在内的新损失函数，通过大规模数据和深度结构进行显著性估计，表现优于现有的显著性方法。

    Apr, 2018

  • 基于多尺度深度特征的视觉显著性

    本文介绍了使用卷积神经网络进行图像视觉显著性建模的方法，采用新的神经网络结构和改进的空间相关性方法，同时使用多重分割提高了性能，实验表明我们提出的方法在公共基准测试中的表现优于目前已发表的最先进技术。

    Mar, 2015

  • 连接显著性预测与图像质量评估之间的差距

    过去几年中，深度神经模型在图像质量评估 (IQA) 方面取得了显著进展，但由于深度神经网络的复杂性，其成功的原因仍不清楚。本文通过进行实证研究揭示了 IQA 和 Saliency Prediction 任务之间的关系，证明了前者包含了后者的知识，并引入了一个新颖的 SACID 数据集进行大规模的经典和基于神经网络的 IQA 方法比较。

    May, 2024

  • SUM: 基于瞳蛇的视觉注意力建模中的显著性统一

    通过将 Mamba 的高效远程依赖建模与 U-Net 相结合，我们提出了一种新颖的方法 SUM（Saliency Unification through Mamba），为不同类型的图像提供统一的模型，并通过全面的评估显示 SUM 能够适应不同的视觉特征并始终优于现有模型，从而使 SUM 成为推动视觉注意力建模的多功能且强大的工具。

    Jun, 2024

  • 显著性的精细优化：基于显著性的生物特征攻击检测模型训练

    融入人类感知智能到模型训练能增强在难度较高的生物特征任务中的泛化能力，如攻击检测和合成样本检测。本文研究了不同的显著性粒度水平，通过使用简单但有效的显著性后处理技术，在数个卷积神经网络中实现了增强的攻击检测和合成人脸检测的泛化能力。

    May, 2024