Sep, 2017

SalNet360：使用 CNN 生成全向图像的显著性图

PDF
TL;DR本文提出了一种对卷积神经网络进行扩展的架构，以使其能够有效地预测全向图像（ODI）中的视觉关注数据，从而为内容创建者提供帮助。研究人员通过展示每一步都可以使所生成的显着性地图与基础真实数据更加准确来证明这一算法的可行性。
visual attention datavirtual realityconvolutional neural networkomnidirectional imagessaliency prediction
发现论文，激发创造
  • 球形视觉 Transformer 用于 360 度视频显著性预测

    提出了一个基于视觉转换器的新型全景视频模型 SalViT360，利用切线图像表示，在球面几何感知的时空自注意机制方面提出了一种有效的全景视频理解方法，并引入了一种基于一致性的无监督正则化项以减少 360 度密集预测模型中逆投影之后出现的伪影，实验证明了该方法在三个全景视觉显著性数据集上的有效性超过了现有技术。

    Aug, 2023

  • 利用可学习赤道偏差的多尺度全向显著图估计

    通过提取不同方向和视角的立体全景图像中的二维平面图像，本研究提出了一种新的立体全景图像显著性地图估计模型，并且使用多个视角的二维图像进行多尺度估计，通过像素级别的注意权重在集成层中整合来加权每个目标的最佳尺度，从而改善了显著性地图的准确性。

    Sep, 2023

  • 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

  • SaltiNet: 利用显著性体积在 360 度图像上预测扫描路径

    SaltiNet 是一个基于 360 度图像训练的深度神经网络，用于扫描路径预测，其基于时间感知的新颖显着性信息表示被称为显着性体积，并且我们的实验显示了使用显着性体积的优势。

    Jul, 2017

  • 使用卷积神经网络学习具有区别性显著性图像的在线追踪

    使用卷积神经网络学习判别性显着图进行在线视觉跟踪，构建目标外观模型和特定显着图，实现像素级别的目标分割。

    Feb, 2015

  • 超越显著性：从层级关联传播的显著性预测理解卷积神经网络

    本论文提出了一种新的二步解释方法 —— SR map，可以更好地理解深度卷积神经网络如何识别图像并从所谓的注意区域中学习特征。该方法清楚地表明了哪些关键像素和注意力区域对于深度卷积神经网络理解给定的图像是有贡献的。

    Dec, 2017

  • 视觉地点识别与导航的全向 CNN

    使用全景相机的视觉地点识别方法提出了新的全向卷积神经网络 (O-CNN) 来处理极端相机姿态变化，并通过距离估计提出了启发式策略来为机器人导航，从而实现以最小距离寻找任务。

    Mar, 2018

  • 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

  • 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

  • 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