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
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
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
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
本文提出了一种自适应融合方案,通过两个卷积神经网络中提取的特征和预测的显著性地图,学习一个切换显著性地图的开关来自适应地融合 RGB 和深度模态中所生成的显著性预测。为了实现全监督,利用显著性监督、开关映射监督和边缘保留约束来设计了一个损失函数,并通过端到端训练方式训练整个网络。经过自适应融合策略和边缘保留约束的好处,我们的方法在三个公开数据集上优于已有方法。
Jan, 2019
本文提出了一种深度学习技术来实现高效的显著性目标检测,采用了残差学习和反向注意力等方法来解决现有技术中存在的低分辨率和模型复杂性等问题。实验结果表明提出的方法比现有技术更为简单高效、同时在精度和分辨率等方面也表现出优势。
Jul, 2018
本文研究利用显著性在很少的训练数据时提高卷积神经网络的分类准确性。我们利用在现有 CNN 架构中添加显著性分支来引导特征提取过程,从而训练出一个具有高水平的对象识别精度的模型。我们的实验表明,显著性方法可以显著提高网络性能,特别是在很少的训练数据情况下。
Aug, 2018
本文提出了一种新的卷积神经网络来融合不同的 RGBD 低级显著性线索,利用 Laplacian 传播框架提取空间一致的显著性图,并在三个数据集上进行了广泛的实验评估,结果表明这种方法始终优于现有的最先进方法。
Jul, 2016
本文提出了一种使用深度监督复发卷积神经网络(DSRCNN)实现完整图像显著性预测的新型显著性检测方法,经过在 VGGNet-16 上基于重复连接和边缘输出层的优化设计,测试验证结果在五种基准数据集上均显著优于目前显著性检测领域的相应方法。
Aug, 2016
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。