基于概率分布预测的端到端显著性映射
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
通过贝叶斯决策理论,将视觉显著性模型、显著性地图和评价指标分离,提出了一种基于概率模型的注视密度预测方法,并通过计算这些最优显著性地图来解决了显著性模型评估中不一致的指标问题。
Apr, 2017
本文提出了一种基于概率框架的优化方法来解决显著性目标检测的问题,同时还与图割、扩散映射和一类分类方法相结合,实现了对局部 / 全局对比度和大面积显著性线索的全局最优近似,该方法在包括大约 17k 张图像等多个评价指标的显著目标检测数据集上的表现优于现有算法,计算复杂度与许多现有技术相当 / 有利。
Sep, 2016
提出了一种基于卷积 LSTM 的新型模型,结合神经注意机制,可预测准确的显著图,并学习一组使用高斯函数生成的先验图,这种模型在公共显著性预测数据集上表现优于现有技术,可以克服人眼注视典型的中心偏差,并且对于不同的情境展现了关键组件各自的贡献。
Nov, 2016
本文介绍一种新颖的方法,通过重复使用深度神经网络的预训练模型,构建一种针对显著性预测的模型,从而有效地提高了预测准确性,并展示此网络结构可以为视觉注意机制的理解提供新的见解。
Nov, 2014
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
融入人类感知智能到模型训练能增强在难度较高的生物特征任务中的泛化能力,如攻击检测和合成样本检测。本文研究了不同的显著性粒度水平,通过使用简单但有效的显著性后处理技术,在数个卷积神经网络中实现了增强的攻击检测和合成人脸检测的泛化能力。
May, 2024
本研究采用掩蔽技术生成显著性地图,发现训练分类器的同时,采用掩蔽技术生成显著性地图具有很高的性能,并且 10 个样本每类也可以显著提高显著性地图的精度。
Oct, 2020
基于变压器模型的 Saliency TRansformer 方法通过利用变压器中的并行解码,仅从注视地图中学习显著性,并将显著性预测视为一种直接的集合预测问题,通过一种全局损失来预测唯一的注视点,并在 Salicon 和 MIT300 基准测试中取得与最先进方法相当的度量分数。
Nov, 2023
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