IJCAIJul, 2017

基于群体的深度共同显著性检测

PDF
TL;DR本文提出了一种基于全卷积神经网络（FCN）的端到端的分组式深度连通区域共同显著性检测方法，通过学习卷积神经网络中基于语义感知的图像表示来捕捉组图像的组间交互信息，进而发现组间特征表示和单图像特征表示之间的协作和交互关系，并将其模拟在协作学习框架中，最终建立起一个统一的端到端深度学习方案，联合优化分组式特征表示学习和协同学习的过程，从而获得更可靠、更强韧的共同显著性检测结果。实验结果表明，我们的方法相较于现有的技术取得了更好的效果。
co-saliency detectiongroup-wisedeep learning networkfeature representationcollaborative learning
发现论文，激发创造
  • 基于 Co-Attention 全卷积网络的共同显著性检测

    本文提出了嵌入了共同注意力模块的全卷积网络框架，称为共同注意力 FCN (CA-FCN)，旨在检测一组相关图像中的共同显著对象。实验表明，CA-FCN 在大多数情况下优于现有算法，同时通过消融研究证明了新共同注意力模块的有效性。

    Aug, 2020

  • 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

  • 团体协作学习用于共显目标检测

    本研究提出一种新的团体协作学习框架，名为 GCoNet，可以实时（16ms）检测协同显著对象，同时采用两个必要标准，即群体内紧凑性和群体间可分性来挖掘共识表征；此外，为了学习更好的嵌入空间，我们明确地采用辅助分类监督。实验证明，我们的 GCoNet 模型在多个重要的计算机视觉应用中表现出色。

    Mar, 2021

  • 学习共识感知动态卷积用于协同显著性检测

    本文提出了一种新颖的共识感知动态卷积模型，可以显式高效地执行 “汇总和搜索” 过程，从而有效地执行共识图像特征的汇总，并通过多个尺度上的动态卷积进行对象搜索，实验结果表明了所提出方法的有效性。

    Oct, 2021

  • 基于深度显著网络和种子传播的联合显著性目标检测

    本文提出了一种共同显著目标检测方法，利用深度显著性网络进行共同显著性先验知识的转移，通过种子传播步骤优化初步的共同显著性图，使用多层图在低级描述符中传播种子以找到之前步骤可能未检测到的区域，并可处理大小不一致的输入图像组。

    Jun, 2017

  • CoADNet: 协作聚集和分布网络用于共同显著目标检测

    本文介绍了一种协作聚合和分布网络 (CoADNet) 架构，通过建模和利用图像之间的相互关系来捕获来自多个图像的突出和重复视觉模式，以解决 Co-Salient Object Detection (CoSOD) 任务中的一些挑战性问题，同时 CoADNet 在四个 CoSOD 基准数据集上得到了显着的性能提升。

    Nov, 2020

  • 深度对比学习用于显著性目标检测

    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

  • 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

  • 自适应图卷积神经网络与注意力图聚类用于共同显著性检测

    提出了一种新的 GCAGC 方法用于共同显著性检测的任务，通过图卷积网络和注意力图聚类来确定共同的复杂前景对象，采用编码器 - 解码器结构来统一地训练和优化，最终的实验结果表明，在三个共同显著性检测基准数据集上，GCAGC 方法在大多数方面都取得了显著改进。

    Mar, 2020

  • 基于多尺度深度 CNN 特征的视觉显著性检测

    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