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
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
本文提出采用深度学习对显著区域检测中的高、低级特征进行提取,利用 1x1 卷积和 ReLU 层对距离地图进行编码,将高、低级特征融合进入全连接的神经网络分类器,以改进现有的深度学习算法,在显著区域检测任务上取得进一步提升。
Apr, 2016
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
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
通过深度学习网络结构,我们的视觉注意力网络从全局到本地不同范围内的多尺度特征中提取等级显著信息以预测人眼的视觉注视点,并在各种基准数据集上实现了最先进的性能表现。
May, 2017
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
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
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。