CVPRMar, 2019

金字塔特征注意力网络用于显著性检测

PDF
TL;DR通过提出金字塔特征注意力网络来解决视觉注意力检测中如何提取有效特征的问题，该网络能够关注高层次的上下文特征和低层次的空间结构特征，并在这些特征图上应用通道注意和空间注意，然后将它们进行融合，最后通过边缘保护损失来引导网络学习边界定位中更详细的信息。在五个基准数据集上进行的广泛评估表明，该方法在不同的评估指标下优于现有的基准方法。
saliency detectionfeature extractionpyramid feature attention networkedge preservation losscomputer vision
发现论文，激发创造
  • 基于多尺度深度 CNN 特征的视觉显著性检测

    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

  • 一种深层多级网络用于显著性预测

    本研究提出了一种新颖的深度架构用于显著性预测，通过整合卷积神经网络的不同层级的特征图、学习高低层级特征图的权重和使用先验学习网络来优化模型，使其在目前最大的公共数据集 SALICON 上表现优异且在 MIT300 基准测试中取得竞争性结果。

    Sep, 2016

  • 视频显著性检测的时空特征金字塔

    本研究提出了一种基于多级特征的三维卷积编码器 - 解码器构架，有效地提高了视频显著性模型的精度和实时性，压倒性地超越了现有的同类方法。

    May, 2021

  • 基于多尺度深度特征的视觉显著性

    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

  • 单目深度预测的金字塔特征注意力网络

    通过引入金字塔特征注意网络（PFANet），以提升高级上下文特征和低级空间特征，进一步改善深度估计中的空间布局、边界模糊和物体表面不连续等问题，并通过采用不同尺度的双尺度通道注意模块（DCAM），并以空间金字塔注意模块（SPAM）作为低级特征图中多尺度详细信息的引导来利用视觉特征的空间关系。最后，引入了尺度不变梯度损失，以增加对深度不连续区域中错误的惩罚。实验结果表明，我们的方法在 KITTI 数据集上优于最先进的方法。

    Mar, 2024

  • 全局上下文感知逐步聚合网络用于显著性目标检测

    该研究提出了一个名为 GCPANet 的新网络，采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征，并通过监督学习生成显着性图像。此外，还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块，以进一步提高网络性能。实验结果表明，该方法在六个基准数据集上的表现比现有方法都要好。

    Mar, 2020

  • 金字塔注意力网络用于语义分割

    使用金字塔注意力网络 (PAN) 进行语义分割，通过特征金字塔注意力模块和全局注意力上采样模块提取精确的密集特征，优于现有方法，可达到 PASCAL VOC 2012 和 Cityscapes 数据集的最高精度 mIoU 84.0%。

    May, 2018

  • 交互感知的时空金字塔注意力网络用于动作分类

    本研究提出一种基于主成分分析的互动感知自注意模型，通过利用多尺度信息构建空间金字塔，实现对特征图中所有空间位置的本地特征加权得到注意图，并将其嵌入卷积神经网络中以形成端到端的注意力网络，实现动作分类中的最先进结果。

    Aug, 2018

  • 基于 Co-Attention 全卷积网络的共同显著性检测

    本文提出了嵌入了共同注意力模块的全卷积网络框架，称为共同注意力 FCN (CA-FCN)，旨在检测一组相关图像中的共同显著对象。实验表明，CA-FCN 在大多数情况下优于现有算法，同时通过消融研究证明了新共同注意力模块的有效性。

    Aug, 2020

  • 基于上下文编码器 - 解码器网络的视觉显著性预测

    该论文提出了一种基于卷积神经网络的方法，通过提取多尺度的高级视觉特征和上下文信息，结合全局场景信息，用于准确预测视觉显著性，可以适用于资源受限的应用，如（虚拟）机器人系统，从而在多个基准测试数据集上取得了有竞争力和一致的结果。

    Feb, 2019