ECCVAug, 2016

基于 CNN 结合区域级别和像素级别预测的显著性检测

PDF
TL;DR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。
saliency detectioncnnsmulti-scale feature learningadaptive superpixelfusion cnn
发现论文，激发创造
  • 深度对比学习用于显著性目标检测

    本文提出一种端到端的深度对比网络，通过像素级全卷积流和分段空间汇聚流两个部分相结合，最终产生精度更高，检测效果更优的显著性图，并通过实验验证其优于现有基于卷积神经网络的方法。

    Mar, 2016

  • 超越显著性：从层级关联传播的显著性预测理解卷积神经网络

    本论文提出了一种新的二步解释方法 —— SR map，可以更好地理解深度卷积神经网络如何识别图像并从所谓的注意区域中学习特征。该方法清楚地表明了哪些关键像素和注意力区域对于深度卷积神经网络理解给定的图像是有贡献的。

    Dec, 2017

  • 一种深层多级网络用于显著性预测

    本研究提出了一种新颖的深度架构用于显著性预测，通过整合卷积神经网络的不同层级的特征图、学习高低层级特征图的权重和使用先验学习网络来优化模型，使其在目前最大的公共数据集 SALICON 上表现优异且在 MIT300 基准测试中取得竞争性结果。

    Sep, 2016

  • 基于深度融合的 RGBD 显著物体检测

    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

  • 深度监督循环卷积神经网络用于显著性检测

    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

  • 基于多尺度深度 CNN 特征的视觉显著性检测

    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

  • 边缘保护和多尺度上下文神经网络用于显著目标检测

    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

  • 基于对比的深度神经网络用于显著物体检测

    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

  • 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

  • DeepSaliency：多任务深度神经网络模型用于显著目标检测

    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