黑盒分类器的实时图像显著性
本研究采用掩蔽技术生成显著性地图,发现训练分类器的同时,采用掩蔽技术生成显著性地图具有很高的性能,并且 10 个样本每类也可以显著提高显著性地图的精度。
Oct, 2020
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。
Feb, 2017
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
本文研究利用显著性在很少的训练数据时提高卷积神经网络的分类准确性。我们利用在现有 CNN 架构中添加显著性分支来引导特征提取过程,从而训练出一个具有高水平的对象识别精度的模型。我们的实验表明,显著性方法可以显著提高网络性能,特别是在很少的训练数据情况下。
Aug, 2018
该篇论文提出了一种基于分类模块的自顶向下显著目标检测框架,通过对象字典计算稀疏编码来训练分类器,其在分类准确率和计算复杂度方面都有所提高,同时也强调分类器在显著目标检测中的重要性。
Apr, 2016
该论文提出了一种新的检测对抗样本的方法,通过训练一个使用原始数据和显著性数据的二元分类器。该方法在检测对抗扰动方面表现良好。他们定量评估了检测器的泛化性能,表明在具有强对手的训练下,检测器在弱对手方面表现良好。
Mar, 2018
本篇论文介绍了如何通过使用深度卷积神经网络,建立图像中的显著性实例分割方法,通过一个多尺度显著实例分割网络生成高质量的显著性分割结果,并在公共基准测试中取得了最优的结果。
Apr, 2017
本研究提出一种基于 Bernoulli 分布的显著性图模型,并使用包括 softmax 在内的新损失函数,通过大规模数据和深度结构进行显著性估计,表现优于现有的显著性方法。
Apr, 2018
本篇论文提出采用无监督学习方法生成的显著图用于像素级注释,在此基础上采用简单而有效的算法训练卷积神经网络,使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图,结果表明,该算法与目前最佳的强监管方法相当,性能明显优于所有最新的无监督显著性检测方法。
Mar, 2018
该研究提出了一种基于显著性引导的图像分割网络,利用自我注意力显著性方法生成微妙的显著性地图,并通过点种植区域生长方法将地点线索扩展为像素级标签,从而生成具有区分性的对象区域。实验结果表明,该方法有效降低了显著性噪声的影响,提高了弱监督图像分割的准确性。
Oct, 2018