Feb, 2018

深度多尺度时空判别性显著图的非刚性物体跟踪

PDF
TL;DR提出了一种基于时空一致的显著性检测的新型有效的非刚性物体跟踪框架，其中利用了定制的完全卷积神经网络 (TFCN) 来建模该图像区域的本地显著性先验，同时提出了多尺度多区域机制来生成本地显著性地图，最后，利用预测的显著性地图，提出了一个非刚性物体跟踪算法，该算法在显著性检测和视觉跟踪方面都取得了竞争性的性能。
non-rigid object trackingsaliency detectionconvolutional neural networkmulti-scaleonline updating
发现论文，激发创造
  • 使用时空深度特征的视频显着性目标检测

    本文提出了一种在视频中探测显著对象的方法，该方法利用局部和全局上下文，采用了一些新的特征以及方法来计算焦点，并在公开数据集上取得了显著的效果，同时也应用于视频实体分割任务中，表现出了优异的性能。

    Aug, 2017

  • 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

  • 基于全卷积网络的视频显著对象检测

    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

  • 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

  • 显著物体检测：一种判别区域特征融合方法

    本文提出一种基于多层图像分割的监督学习方法，将区域特征向量映射到显著性得分，最终融合多个级别的得分来产生显著图，同时通过研究区域对比度和背景性质，实现了在六个基准数据集上优于现有方法的显著物体检测算法。

    Oct, 2014

  • 边缘保护和多尺度上下文神经网络用于显著目标检测

    本研究提出了一种新的神经网络，用于保护边缘和多尺度语境下的显著对象检测。该框架旨在解决现有的基于 CNN 的方法存在的两个限制：区域 CNN 方法缺乏足够的上下文来准确定位显著对象，而基于像素的 CNN 方法由于卷积和池化层的存在而具有模糊的边界。该方法可广泛应用于 RGB-D 显著性检测，并具有清晰的检测边界和多尺度语境下的鲁棒性。实验结果显示，该方法在六个 RGB 和两个 RGB-D 基准数据集上均取得了最优性能。

    Aug, 2016

  • 显著性相关的目标追踪

    该论文提出了一种基于部分追踪策略的物体追踪方法，其中使用细粒度显著性挖掘模块来捕获有区分度的局部信息，结合显著性关联建模模块来得到识别目标状态的有效表达，并在 5 个数据集的广泛实验中取得了优于现有方法的表现。

    Aug, 2021

  • 基于显著性引导的快速 R-CNN 细粒度判别定位

    本文提出了一种基于注意力引导下的快速卷积神经网络的判别定位方法，具备同时定位判别区域和编码判别特征的能力，并将其应用于细粒度图像分类任务中，取得了最佳分类准确性和效率。

    Sep, 2017

  • 一种深度空间上下文长期循环卷积网络用于显著性检测

    本文提出了一种新的计算显著性模型，即深度空间上下文长期循环卷积网络（DSCLRCN），以预测自然场景中人们注视的位置，并将场景上下文调制集成到 DSLSTM 中，从而显着提高了显著性检测性能。

    Oct, 2016

  • 面向视觉物体跟踪的空间监督循环卷积神经网络

    本文提出了一种新的空间监督递归卷积神经网络，用于视觉对象跟踪，通过研究长短期记忆和区域信息的回归能力，结合卷积网络产生的高层视觉特征直接预测跟踪位置，相较于现有的深度学习跟踪器，我们的跟踪器在保持低计算成本的同时更加准确和鲁棒，实验结果表明在多个数据集上均表现优异，常常优于排名第二的跟踪器。

    Jul, 2016