Feb, 2017

基于全卷积网络的视频显著对象检测

PDF
TL;DR本文提出了一个深度学习模型，通过数据增强技术和动态显著性模型来高效地检测视频中的显著区域，该模型在 DAVIS 和 FBMS 数据集上达到了最新的性能标准。
deep learningvideo saliencydata augmentationspatiotemporal inferencestate-of-the-art
发现论文，激发创造
  • 使用深度非局部神经网络进行视频显著对象检测

    本文研究了用于视频显著对象检测的最近引入的非局部神经网络方法，并应用于 static 和 dynamic 显著性检测，提出了一种新的深度非局部神经网络架构，测试了 DAVIS 和 FBMS 两个著名数据集，实验结果表明该算法优于最先进的视频显著性检测方法。

    Oct, 2018

  • 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

  • 使用伪标签的半监督视频显著目标检测

    本论文提出了一种基于半监督学习的视频显著性目标检测方法，使用伪标签从稀疏注释帧中生成像素级伪标签，并结合部分手动注释，学习了空间和时间线索，进而产生准确的显著性图。实验结果表明，我们的方法在 VOS、DAVIS 和 FBMS 三个公共基准测试数据集上均明显优于所有最先进的全监督方法。

    Aug, 2019

  • 动态显著性预测的时空显著性网络

    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

  • 基于深度显著性网络的视频烟雾检测

    研究通过使用基于深度显著性网络的新型视频烟雾检测法来提高烟雾的检测精度，并成功利用像素级和目标级显著卷积神经网络来提取信息烟雾显著性图，并使用端到端的框架来进行可靠的烟雾检测和预测。

    Sep, 2018

  • 自然视频显著性预测的深度学习

    通过使用新的深度学习技术，本文旨在检测自然视频中的显著区域。首先预测视频帧中的显著补丁，然后基于它们构建预测的视觉注视地图。我们展示了通过更改优化网络参数的数据选择方式，可以将计算成本节约多达 12 倍。将 RGB 值的深度学习方法扩展到具有特定性的视频以利用人类视觉系统对残留运动的敏感性。在两个公开可用数据集上进行实验，并展示了较高的准确度和 AUC 度量。

    Apr, 2016

  • 弱监督视频显著目标检测

    本文提出了基于新型弱标注的视频显著目标检测模型，并使用外观运动融合模块和双向 ConvLSTM 框架来实现有效的多模态学习和长期时序建模，还设计了一种前景背景相似度损失和一种弱标注增强策略，以提高模型性能和伪标签生成技术。在六个基准视频显著性检测数据集上的实验结果证明了我们方案的有效性。

    Apr, 2021

  • 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

  • 基于动态指引的视频显著目标检测注意力模型

    本文提出了一种基于多任务学习的运动引导视频显著对象检测网络，并利用运动注意力算法引导静态图像检测子网络，实现对视频显著对象的准确检测。实验结果表明，该算法在多个基准测试数据集上的性能都显著优于现有的基于运动的视频显著对象检测算法。

    Sep, 2019

  • 利用基于目标运动的 CNN 和双层卷积 LSTM 预测视频显著性

    本文介绍了一种基于 DNN 预测视觉显著性的方法，提出了一种基于对象到动作 CNN 的空时特征学习，实现了视频帧内显著性预测和跨帧显著性转移的 2C-LSTM 网络，并表明该方法在视频显著性预测方面领先于其他方法。

    Sep, 2017