Jul, 2019

视频显著性预测的简单与复杂时间循环

PDF
TL;DR本文探讨了利用两种类型的循环神经网络来改进现有的神经网络架构，以进行静态显著性预测。第一种修改是在架构内添加 ConvLSTM，而第二种修改是卷积状态的指数移动平均。实验结果在 SALICON 数据集上进行了权重预训练，并在 DHF1K 上进行了微调，结果表明两种修改均达到了最先进的效果，并产生了类似的显著性映射。可以在该 https URL 处获取源代码。
neural networksaliency predictionrecurrencesconvlstmconvolutional state
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 自我中心视频中的时间显著性适应

    本研究采用一种深度神经模型来预测视觉显著性，将其应用于自我中心视频时域，通过添加卷积或 conv-LSTM 层，针对性的训练视频显著性预测数据集，结果表明，当观察者不移动且从狭窄的视野观察时，时域适应性是有益的，并公开了 EPIC Kitchen 数据集的视觉显著性地图。

    Aug, 2018

  • 端到端卷积网络用于显著性预测

    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

  • 浅层卷积网络和深度卷积网络用于显著性预测

    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

  • 重访视频显著性：一个大规模基准和一个新模型

    该研究提出了一种基于注意力机制增强的 CNN-LSTM 网络架构，可用于动态视频场景下显著性学习，在 DHF1K 数据集上取得了优于其他竞争者的性能表现。

    Jan, 2018

  • 用于时空视觉注意的循环混合密度网络

    本研究提出了一种基于高斯混合模型的时空注意力模型，并使用人类注视数据进行训练，相比先前的方法，该模型在影片显著性预测方面具有最先进的表现，并在动作分类准确性方面取得了改进。

    Mar, 2016

  • 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