CVPRFeb, 2018

使用视觉显著性提高卷积神经网络中的人体检测：ViS-HuD

PDF
TL;DR本文提出一种基于深度学习的技术来提高静态图像中人物的检测，其中通过计算图像的视觉显著性图，对输入图像进行处理并通过基于 CNN 的人物检测方法，该方法在 Penn Fudan 数据集上达到 91.4% 的人物检测准确率，并在 TUDBrussels 基准测试中实现平均漏检率为 53%。
human detectiondeep learningvisual saliency mapconvolutional neural networkimage classification
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

  • 自然视频显著性预测的深度学习

    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

  • 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

  • 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

  • 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

  • 使用视觉显著性和深度学习进行面部表情识别

    我们开发了一个卷积神经网络来识别人类面部表情。我们将已有的卷积神经网络模型 fine-tune 到 CFEE 和 RaFD 数据集，测试准确率分别为 74.79% 和 95.71%。通过在一个数据集上训练模型，在另一个数据集上测试可以牵扯到泛化的结果，最广泛的实验中测试集的 top-1 准确率为 65.39%。

    Aug, 2017

  • SalNet360：使用 CNN 生成全向图像的显著性图

    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。

    Sep, 2017

  • 深度视觉注意力预测

    通过深度学习网络结构，我们的视觉注意力网络从全局到本地不同范围内的多尺度特征中提取等级显著信息以预测人眼的视觉注视点，并在各种基准数据集上实现了最先进的性能表现。

    May, 2017

  • 基于多尺度深度特征的视觉显著性

    本文介绍了使用卷积神经网络进行图像视觉显著性建模的方法，采用新的神经网络结构和改进的空间相关性方法，同时使用多重分割提高了性能，实验表明我们提出的方法在公共基准测试中的表现优于目前已发表的最先进技术。

    Mar, 2015

  • 视频监控中的人体检测与跟踪 —— 认知科学方法

    通过采用方向梯度直方图、视觉显著性和深度多层网络的显著性预测模型，结合 k 均值算法，该研究提出了一种用于视频中检测人的方法，取得了 83.11％的检测精度、41.27％的召回率的效果，并比在普通图像上对人物进行分类的速度快 76.866 倍。

    Sep, 2017