本文通过分析反向传播型显著性方法,提出了一个框架,将多种方法统一起来,进而提出了一个新的基于空间梯度特征的显著性方法 - NormGrad,并通过将不同层的显著图进行结合,测试不同层级网络提取信息的能力,并且引入了一个类别敏感指标和元学习方法以提高对输出类的敏感度。
Apr, 2020
融入人类感知智能到模型训练能增强在难度较高的生物特征任务中的泛化能力,如攻击检测和合成样本检测。本文研究了不同的显著性粒度水平,通过使用简单但有效的显著性后处理技术,在数个卷积神经网络中实现了增强的攻击检测和合成人脸检测的泛化能力。
May, 2024
通过分解隐含特征为可解释的基底,提出了一种新的分析框架,用于研究深度显著性模型成功背后的隐含特征、显著性预测的原理以及其对不同应用场景中的视觉注意力的影响。
Oct, 2023
本文对几种显著性方法进行实验和理论探索,提出用可行的方法来评估一种方法所能提供和不能提供的解释类型。实验证明,有些现有的显著性方法具有独立性,这些方法不受模型和数据生成过程的影响,因此,那些未通过所提出测试的方法,对于对数据或模型敏感的任务( 如在数据中找到异常值,解释模型所学到的输入和输出之间的关系以及调试模型)是不适当的。与边缘检测类比,本文发现一些显著性方法无需训练数据或模型就能有效实现其功能。
Oct, 2018
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
我们提出了一种结合司机困倦检测系统和基于显著性的场景理解流水线的智能系统,该系统在嵌入式平台上运行,并利用专用 3D 深度网络进行语义分割。我们还使用车辆方向盘上嵌入的创新生物传感器来监测驾驶员的困倦程度,并对收集到的驾驶员脉搏波信号进行分类,从而评估驾驶员的注意力水平。最后,我们将司机的注意力水平与基于显著性的场景分类进行比较,以评估整体安全水平。通过广泛的实验结果验证了该流水线的有效性。
Jul, 2023
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
本文提出一种基于多层图像分割的监督学习方法,将区域特征向量映射到显著性得分,最终融合多个级别的得分来产生显著图,同时通过研究区域对比度和背景性质,实现了在六个基准数据集上优于现有方法的显著物体检测算法。
Oct, 2014
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
本研究提出一种基于 Bernoulli 分布的显著性图模型,并使用包括 softmax 在内的新损失函数,通过大规模数据和深度结构进行显著性估计,表现优于现有的显著性方法。
Apr, 2018