该研究提出了标签解耦框架,将中心区域和边缘区域的细节分开处理,在特征交互网络中进行融合得到更加精确的显著图,实现了目标识别中的最佳表现。
Aug, 2020
本研究提出了一种基于全卷积神经网络的多任务深度显着性模型,通过数据驱动的策略对显着性先验信息进行编码,并设置一个多任务学习框架来探索显着性检测和语义图像分割之间的内在相关性。实验结果表明,与现有方法相比,该方法在显着性对象检测方面具有明显的优势。
Oct, 2015
提出了一种新的语义分割方法,即显式地建模图像的高频和低频部分,称为目标的对象内部一致性和对象边界,并采用解耦监督的方法对其进行优化。该方法在四个主要路景场景语义分割基准测试中均表现出了最新的技术水平。
Jul, 2020
本文提出了一种自适应融合方案,通过两个卷积神经网络中提取的特征和预测的显著性地图,学习一个切换显著性地图的开关来自适应地融合 RGB 和深度模态中所生成的显著性预测。为了实现全监督,利用显著性监督、开关映射监督和边缘保留约束来设计了一个损失函数,并通过端到端训练方式训练整个网络。经过自适应融合策略和边缘保留约束的好处,我们的方法在三个公开数据集上优于已有方法。
Jan, 2019
在深度卷积神经网络中,通过设计全局 - 局部对齐关注(GAA)网络和边缘侵蚀的深度监督策略,减少了插值对特征和标签的负面影响,相比现有方法,在五个常用数据集上实现了更好的结果。
Nov, 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
本文提出了一种新的基于标签传播的显着性检测方法,该方法利用最确定的背景和物体区域提取出的标签来估计图像中的显着性,并通过一种内部传播方案将相似度排名应用于边界标签以决定其它超像素的显着性,同时采用三种因素来提取前景标签并将其与边界标签通过一种交互传播方案进行融合,最后,在五个基准数据集的像素级准确注释上的结果表明,该方法在不同的评估指标方面均表现优于最新的同类方法。
May, 2015
本篇论文提出采用无监督学习方法生成的显著图用于像素级注释,在此基础上采用简单而有效的算法训练卷积神经网络,使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图,结果表明,该算法与目前最佳的强监管方法相当,性能明显优于所有最新的无监督显著性检测方法。
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
本研究提出了一种基于 CPD 框架的新型显著性物体检测方法,通过构建部分解码器,丢弃低分辨率因素以促进加速,在深层次集成特征的基础上,利用生成的显著图来精调骨干网络的特征,从而显著提高显著性目标检测的准确性和速度。
Apr, 2019