通过分析深度显著性模型中间层个体神经元学习的特征表示,研究表明:一些视觉区域已经预先编码在对象识别的网络的各个层中,预先训练模型 fine-tuning 以进行显著性预测会使它们偏爱某些类别,在自然图像上,深层显著性模型胜于传统模型,但在人造刺激上表现反其道而行之。
Mar, 2019
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
通过深度学习网络结构,我们的视觉注意力网络从全局到本地不同范围内的多尺度特征中提取等级显著信息以预测人眼的视觉注视点,并在各种基准数据集上实现了最先进的性能表现。
May, 2017
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
本研究提出了一种可解释的方法,能够可视化神经网络中的内在机制和其对输出的影响,从而提高了深度神经网络的可解释性和决策过程,研究的主要贡献是提出了一种数据集中心的算法,适用于多个领域的深度神经网络结构。
Jun, 2017
本文介绍一种新颖的方法,通过重复使用深度神经网络的预训练模型,构建一种针对显著性预测的模型,从而有效地提高了预测准确性,并展示此网络结构可以为视觉注意机制的理解提供新的见解。
Nov, 2014
本论文旨在通过提供解释训练并确保模型的解释与真实解释的一致性,教会深度学习模型以恰当的原因做出正确的预测。实验结果表明,所提出的方法比传统训练模型更加可靠和有效。
Feb, 2019
本研究提出了一个涵盖五个主要步骤的显著性模型框架,包括预处理,特征提取,显著图生成,显著图组合和后处理,并研究了不同水平的显著性模型,比较其性能,有助于研究人员全面了解研究新方法。
Dec, 2019
提出了一种基于卷积 LSTM 的新型模型,结合神经注意机制,可预测准确的显著图,并学习一组使用高斯函数生成的先验图,这种模型在公共显著性预测数据集上表现优于现有技术,可以克服人眼注视典型的中心偏差,并且对于不同的情境展现了关键组件各自的贡献。
Nov, 2016
过去几年中,深度神经模型在图像质量评估 (IQA) 方面取得了显著进展,但由于深度神经网络的复杂性,其成功的原因仍不清楚。本文通过进行实证研究揭示了 IQA 和 Saliency Prediction 任务之间的关系,证明了前者包含了后者的知识,并引入了一个新颖的 SACID 数据集进行大规模的经典和基于神经网络的 IQA 方法比较。
May, 2024