MMOct, 2018

使用深度非局部神经网络进行视频显著对象检测

PDF
TL;DR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。
saliency detectionnon-local neural networksvideo salient object detectionglobal dependenciesexperimental results
发现论文，激发创造
  • 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

  • 基于深度显著性网络的视频烟雾检测

    研究通过使用基于深度显著性网络的新型视频烟雾检测法来提高烟雾的检测精度，并成功利用像素级和目标级显著卷积神经网络来提取信息烟雾显著性图，并使用端到端的框架来进行可靠的烟雾检测和预测。

    Sep, 2018

  • 基于动态指引的视频显著目标检测注意力模型

    本文提出了一种基于多任务学习的运动引导视频显著对象检测网络，并利用运动注意力算法引导静态图像检测子网络，实现对视频显著对象的准确检测。实验结果表明，该算法在多个基准测试数据集上的性能都显著优于现有的基于运动的视频显著对象检测算法。

    Sep, 2019

  • 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

  • 利用基于目标运动的 CNN 和双层卷积 LSTM 预测视频显著性

    本文介绍了一种基于 DNN 预测视觉显著性的方法，提出了一种基于对象到动作 CNN 的空时特征学习，实现了视频帧内显著性预测和跨帧显著性转移的 2C-LSTM 网络，并表明该方法在视频显著性预测方面领先于其他方法。

    Sep, 2017

  • 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

  • 动态显著性预测的时空显著性网络

    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

  • 低光图像鲜明物体检测中的图像增强探索

    本文提出了一种基于物理光照模型的图像增强方法，以便在低光照图像中便于显着物体检测，并使用 Non-Local-Block 层来捕捉物体与其邻域的差异，最终在 4 个公共数据集和自己构建的数据集中取得了有前景的结果。

    Jul, 2020

  • 使用深度神经网络实现可扩展的物体检测

    该研究提出了一种基于显著性启发的神经网络模型，可以有效地在图像中检测出包含任何感兴趣的对象的一组类不可知的边界框，而不需要针对每个实例复制输出，并在 VOC2007 和 ILSVRC2012 上获得了具有竞争力的识别性能。

    Dec, 2013

  • NSNet：用于高效视频识别的非显著性抑制采样器

    该研究提出了一种有效的非显著性抑制网络 (NSNet)，该网络可以在硬件计算速度低下的情况下实现高精确度的视频识别。通过在帧级别生成伪标签，并在视频级别上学习时间注意，NSNet 有效地抑制了非关键帧的响应，并取得了显著的时间和效率改进。

    Jul, 2022