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
本研究提出了一种基于深度学习和无监督学习的 RGB-D 显著目标检测方法,利用基于深度学习的迭代自动伪标签生成和注意力训练策略,无需人工像素级注释即可在无监督场景下提高 RGB-D 显著目标检测的效率和效果,同时也适用于全监督情况下的场景。
May, 2022
本文提出了一种基于分层稀疏重建和能量函数精化的 RGBD 图像联合显著性检测方法,能够较好地提升图像在整体和局部层面的一致性和稀疏性,对于计算机视觉任务有一定的应用价值。
Nov, 2018
本文提出了一种新的卷积神经网络来融合不同的 RGBD 低级显著性线索,利用 Laplacian 传播框架提取空间一致的显著性图,并在三个数据集上进行了广泛的实验评估,结果表明这种方法始终优于现有的最先进方法。
Jul, 2016
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
本文提出了一种基于新颖的协作图学习算法的 RGB-T 图像显着性检测的有效方法,利用超像素作为图节点,在联合优化框架中共同使用分层深度特征来共同学习图相似性和节点显着性;同时,贡献了一个更具挑战性的数据集以用于 RGB-T 图像显着性检测,并在公共数据集和新创建的数据集上的广泛实验表明,所提出的方法在对比其他 RGB-T 显着性检测方法时表现得很有优势。
May, 2019
本文提出了一种深度敏感的 RGB 特征建模方案,并使用深度几何先验来实现特征增强和背景分心减少。另外,我们还提出了一种自动架构搜索方法来进行 RGB-D 显着对象检测,取得了比现有技术更好的结果。
Mar, 2021
本研究提出了一种新颖的协作学习框架,其中边缘、深度和显著性以一种更有效的方式进行利用,解决了现有 RGB-D 模型中存在的问题,使其更轻量化、更快速和更多功能。实验结果表明,该模型在七个基准数据集上具有卓越的性能。
Jul, 2020
本文提出了一种基于数据驱动的方法解释室内场景,并利用 CAD 3D 模型表示场景中的物体和墙壁布局,最终在 NYU 数据集上呈现了令人鼓舞的结果。
Apr, 2015
本文提出了一种自适应景观识别方法,该方法使用 RGB 和深度图像之间的自监督转换,以解决多模态数据集之间的领域转移问题,并证明其在不同相机采集的数据之间具有很强的泛化能力。