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
本文研究了用于视频显著对象检测的最近引入的非局部神经网络方法,并应用于 static 和 dynamic 显著性检测,提出了一种新的深度非局部神经网络架构,测试了 DAVIS 和 FBMS 两个著名数据集,实验结果表明该算法优于最先进的视频显著性检测方法。
Oct, 2018
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
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
本研究提出了基于深度学习的时空注意力预测模型,其中采用两条流网络架构,探究了不同的信息融合机制。实验结果表明,采用运动信息可以有助于静态注意力估计,并取得了与最先进模型相竞争的结果。
Jul, 2016
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
通过提取视觉显著性信息,利用基于加权融合的视频摘要方法改进人脸防伪识别模型的性能和效率,以面向数据的方式提供一种有效的训练集,通过 CNN-RNN 架构在五个具有挑战性的人脸防伪数据集上取得了最先进的表现。
Aug, 2023
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
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