带短连接的深度监督显著性目标检测
使用深度学习模型,通过全卷积神经网络和深度监督网络技术实现图像到图像的预测,提出一种全局学习和多尺度特征学习的新型边缘检测算法 (HED),在 BSD500 和 NYU Depth 数据集上较以前的基于卷积神经网络的边缘检测算法拥有更快的速度 (平均 0.4 秒每张图像).
Apr, 2015
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
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
该研究提出了一种名为 EGNet 的边缘引导网络,它结合了显著边缘信息和显著物体信息,实现了更加精确的物体边缘定位。结果显示,该方法在六个广泛使用的数据集上表现优异,无需进行预处理和后处理。
Aug, 2019
在本篇论文中,我们提出了一种基于像素分类的新型特征学习框架,并将显著目标检测作为像素分类问题来解决,该方法采用了名为 HyperFusion-Net 的密集分层特征融合网络,结合 ICNN 和超密集融合机制,它能够自动预测最重要的区域并以端到端的方式分割相关物体,实验结果表明该方法在七个公共数据集上的表现均显著优于其他现有最先进的方法。
Apr, 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
本文提出了极端下采样网络(EDN)和尺度相关的金字塔卷积(SCPC)两种技术用于显著性目标检测(SOD)的高层特征学习和多级特征融合,实现了实时速度下的最新最优性能。
Dec, 2020
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