HSCS: 基于层次稀疏性的 RGBD 图像共同显著性检测
本文提出了一种基于迭代的 RGBD 共同显著性框架,其中使用现有的单一显著性图作为初始化,并通过使用一个精炼周期模型生成最终的 RGBD 共同显著图。该方法可以有效地将任何现有的 2D 显著性模型用于 RGBD 共同显著性场景,并使用深度信息增强共同显著对象的识别。在两个 RGBD 共同显著数据集上的实验证明了本提出的框架的有效性。
Nov, 2017
本论文综述不同类型的显着性检测算法,并总结现有方法的重要问题,分析了存在的问题和未来的工作。此外,简要介绍了评估数据集和定量测量,并进行了实验分析和讨论,以提供不同显著性检测方法的整体概述。
Mar, 2018
本文提出了一种基于 RGBD 图像的共同显著性检测模型,它利用深度信息来增强共显性的识别,并利用多约束特征匹配来计算图像间的约束关系,然后采用 Cross Label Propagation(CLP)优化方案在单图和多图间交叉地优化内部和外部显著性地图,从而生成最终的共同显著性结果,实验表明这种基于深度信息和多约束特征匹配的方法可以有效地提高共显性检测的性能。
Oct, 2017
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
本研究提出了一种新颖的协作学习框架,其中边缘、深度和显著性以一种更有效的方式进行利用,解决了现有 RGB-D 模型中存在的问题,使其更轻量化、更快速和更多功能。实验结果表明,该模型在七个基准数据集上具有卓越的性能。
Jul, 2020
本研究提出了一种基于深度学习和无监督学习的 RGB-D 显著目标检测方法,利用基于深度学习的迭代自动伪标签生成和注意力训练策略,无需人工像素级注释即可在无监督场景下提高 RGB-D 显著目标检测的效率和效果,同时也适用于全监督情况下的场景。
May, 2022
本文提出了一种基于新颖的协作图学习算法的 RGB-T 图像显着性检测的有效方法,利用超像素作为图节点,在联合优化框架中共同使用分层深度特征来共同学习图相似性和节点显着性;同时,贡献了一个更具挑战性的数据集以用于 RGB-T 图像显着性检测,并在公共数据集和新创建的数据集上的广泛实验表明,所提出的方法在对比其他 RGB-T 显着性检测方法时表现得很有优势。
May, 2019
本研究提出了一种新的立体图像显著性检测方法,该方法通过对深度图进行可靠性测量和深度信息引入图形构建,提出了一种新的基于颜色和深度线索的紧凑性定义来计算紧凑性显著性图,并通过基于深度精化的前景种子选择机制和多个线索对比计算前景显著性图,最后通过加权求和的方法将这两种显著性图集成成一个最终的显著性图。在两个公开的立体数据集上的实验表明,与其他 10 种最先进的方法相比,所提出的方法具有更好的性能。
Oct, 2017
本文提出了一种深度敏感的 RGB 特征建模方案,并使用深度几何先验来实现特征增强和背景分心减少。另外,我们还提出了一种自动架构搜索方法来进行 RGB-D 显着对象检测,取得了比现有技术更好的结果。
Mar, 2021