ICCVOct, 2019

SID4VAM: 面向视觉注意力建模的合成图像基准数据集

PDF
TL;DR通过使用 230 个合成图像对显著性模型的性能进行了基准测试，研究发现，受到谱 / 傅里叶灵感的模型在显著性测量方面表现更好，并与人类心理物理实验更加一致，提出了一种新的方法来评估显著性模型，考虑了独特的低级特征背景下的合成图像。
saliency modelssynthetic image datasetpsychophysicsdeep learningeye tracking
发现论文，激发创造
  • CAT2000：用于推动显著性研究的大规模注视数据集

    对当前显著性模型问题的深入洞察及更好的测量方法，如通过记录 120 个观察者在查看了包含 4000 幅图像的数据集时的眼动数据、分析数据集的基本特性、比较一些成功模型等，可帮助推进下一代显著性模型的研究，并有助于进行视觉注意力的行为研究。

    May, 2015

  • 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

  • 基于显著性引导的图像 - 句子匹配注意力网络

    该研究旨在探讨图像和句子之间的匹配问题，提出了一种 Saliency-guided Attention Network 架构，包括视觉注意力和文本注意力模块，能够有效地提高多模态数据表示的准确性，并在 Flickr30K 和 MSCOCO 数据集上取得了大幅度的提升。

    Apr, 2019

  • 显著性方法的稳定性模拟

    本文提出了一种综合评估图像中 “重要” 像素的方法 SMERF，并基于该方法评估了现有 Saliency 方法。通过实验结果表明，这些 Saliency 方法有着诸多限制，并提出了发展新的 Saliency 方法的参考意见。

    May, 2021

  • 图像变换如何影响视线？数据集与模型

    本研究创建了一个新的注视数据集并分析了经过不同变换的图像与原始图像观察者的注视行为，发现有效的数据增强变换可以帮助训练深度显著性模型，此外，利用基于生成对抗网络的新型显著性模型可以更稳健地预测图片的显著性。

    May, 2019

  • SIDOD: 一种用于带有分心物体的 3D 物体姿态识别的合成图像数据集

    该研究介绍了一个由 NVIDIA 深度学习数据合成器生成的新的、可公开获取的图像数据集，用于目标检测、姿势估计和跟踪应用。该数据集包含 144k 个立体图像对，将三个真实环境中的 18 个相机视角合成，其中实验对象包括最多 10 个随机选择的物体和飞行干扰器。

    Aug, 2020

  • 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

  • 基于显著性的人脸反欺诈视频摘要

    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

  • SIDAR: 用于对齐与修复的合成图像数据集

    该研究提出了一种使用 3D 渲染的数据增强方法，以产生更接近于实际世界情境的图像失真。这种数据增强方法可用于训练和评估图像对齐和伪影去除等多种任务，并且可应用于任何现有的数据集以改进任何现有方法的特征学习能力。

    May, 2023

  • 基于基准数据集和显著性引导的堆叠自编码器的基于视频的显著性目标检测

    本文提出了一个由人眼注视数据和手工标注的对象 8.1W 张图构成的视频显著对象检测数据集，并提出了一个基于自动编码器的无监督方法，利用该数据集证实了该方法具有很好的效果。

    Nov, 2016