一种深度空间上下文长期循环卷积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
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
本文提出了一种基于循环注意卷积 - 反卷积网络(RACDNN)的显着性检测方法,可以解决多尺度对象问题,并通过通过利用时空转换和回归网络单元来迭代地检测图片区域,从而优化检测表现,同时利用过去迭代数据来提高后续迭代的性能,在多个难以检测的数据集上验证了其有效性,并且胜过现有的显着性检测方法。
Apr, 2016
提出了一种基于时空一致的显著性检测的新型有效的非刚性物体跟踪框架,其中利用了定制的完全卷积神经网络 (TFCN) 来建模该图像区域的本地显著性先验,同时提出了多尺度多区域机制来生成本地显著性地图,最后,利用预测的显著性地图,提出了一个非刚性物体跟踪算法,该算法在显著性检测和视觉跟踪方面都取得了竞争性的性能。
Feb, 2018
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
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
在这篇论文中,我们提出了一种名为 SLCNet 的新型受监督的长程关联方法,用于土地覆盖分类,该方法在地物遥感图像上的表现优于当前使用的非监督策略。在 SLCNet 中,我们通过使用地面真实语义分割图中的类别一致性信息进行监督,使属于同一类别的像素高度相关而具有不同类别的像素不相关,从而产生了更一致的重校准特征,无论它们的接近程度如何。为了补充全局长程关联中缺少的详细信息,我们在编码器中引入了一个辅助的自适应感受野特征提取模块,用于捕捉多尺度遥感图像中多尺寸目标的精细特征表示。此外,我们采用了多尺度边输出监督和混合损失函数作为局部和全局约束,进一步提高了分割准确性。实验证明,与计算机视觉、医学和遥感领域的先进分割方法相比,SLCNet 在所有数据集上都实现了最先进的性能。
Sep, 2023
本研究提出了基于深度学习的时空注意力预测模型,其中采用两条流网络架构,探究了不同的信息融合机制。实验结果表明,采用运动信息可以有助于静态注意力估计,并取得了与最先进模型相竞争的结果。
Jul, 2016