ICCVAug, 2017

学习不确定卷积特征以实现准确的显著性检测

PDF
TL;DR提出一种新型的基于不确定卷积特征（UCF）的卷积神经网络模型，可用于精确的显著目标检测，并引入一种有效的混合上采样方法以减少解码器网络中反卷积操作的棋盘格伪影。该模型在像素级别视觉任务上表现出色。
deep convolutional neural networksaliency detectionuncertain feature learningdeconvolution operatorspixel-wise vision tasks
发现论文，激发创造
  • 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

  • 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

  • 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

  • 浅层卷积网络和深度卷积网络用于显著性预测

    本文提出了一种使用卷积神经网络（Convnet）进行显著区域预测的全数据驱动方法，其训练过程通过损失函数对 Euclidean 距离进行测量，利用大量的显著性预测数据进行端到端的快速和精确的架构设计，并提出了两种模型架构解决方案，是首个训练和测试用于显著性预测的端到端卷积神经网络。

    Mar, 2016

  • 端到端卷积网络用于显著性预测

    本文介绍了基于数据驱动方法的卷积神经网络用于预测图像中显著性区域，并使用损失函数衡量预测结果的欧几里得距离和真实值的差距来进行学习和训练，该网络在 LSUN 2015 挑战赛中表现优秀，是一种快速准确的预测显著性区域的方法。

    Jul, 2015

  • 一种深层多级网络用于显著性预测

    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

  • 基于上下文编码器 - 解码器网络的视觉显著性预测

    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

  • 无损特征反射的显著物体检测

    本研究提出了基于对称全卷积网络的独特特征学习框架，该方法将无损特征反射的指导下，结合显著目标的位置信息、语境和语义信息，用于更精确地进行显著性预测，并使用新的结构损失函数来辅助预测边缘和保证空间一致性。实验表明，该方法在七个显著性检测数据集上均取得了优异的性能，超过了最近的先进方法。

    Feb, 2018

  • 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