![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Saliency
文章平均质量分 81
菜根檀
这个作者很懒,什么都没留下…
展开
-
tensorflow篇-深度学习常用函数解释
tf.image.resize_images用途:对图像张量大小调整完整函数参数: img_resized = tf.image.resize_images(image_data, [300, 300], method=0)image_data:表示输入的图像张量[300,300]:变形后的图像尺寸(H*W)method:指定所进行的变化形式:method=0:双线性插值method=1:最近邻居法method=2:双三次插值法method=2:面积插值法e.g:img = cv原创 2021-04-14 10:03:59 · 267 阅读 · 0 评论 -
3D Neighborhood Convolution: Learning Depth-Aware Features for RGB-D and RGB Semantic Segmentation
3D相邻卷积:学习深度感知特征用于RGB-D和RGB语义分割Abstract核心3D邻域卷积在RGBD坐标中的3D邻域深度局部建模深度局部邻域规模选择利用RGB边缘向RGB-D分割来学习深度深度区分特征网络实验Abstract 目前在RGB-D语义分割中的一个挑战是如何有效地将深度通道中的3D集合信息有效地合并到2D外观特征中。本文提出根据3D邻域的规模和局部性,对2D卷积的有效接收场进行建模。标准卷积在图像空间(u,v)上是局部的,通常具有3X3像素的固定原创 2021-02-17 21:39:57 · 504 阅读 · 1 评论 -
阅论文主要框架汇总
1 -- MMNet(MMNet: Multi-Stage and Multi-Scale Fusion Network for RGB-D Salient Object Detection)2 --EKENet(EKENet: Efficient knowledge enhanced network for real-time scene parsing)原创 2021-01-24 21:27:15 · 586 阅读 · 0 评论 -
WGI-Net: A weighted group integration network for RGB-D salient object detection
WGI-Net思路来源整体结构思路来源本文作者提出了一种新的特征信息融合方法——加权分组集成,以有效融合RGB和Depth特征信息,本文使用双分支结构分别对输入的RGB图像和深度图像进行切片,然后通过串联来合并结果。由于分组的特征可能会丢失有关目标对象的全局信息,因此本文结构还采用了残差学习的思想。以原始融合方法捕获的特征作为补充信息,以确保信息的准确性和完整性。整体结构结构整体上可以分成4个部分分别的RGB流,RGB和Depth特征...原创 2021-01-18 08:48:39 · 180 阅读 · 0 评论 -
Asymmetric Two-Stream Architecture for Accurate RGB-D Saliency Detection
"一种新颖的RGBD双流结构"主要结构论文结构提出思路细节描述DepthNetRGBNet深度注意力模块(DAM)实验结果主要结构本文提出了一个新颖的双流非对称融合方法,其主要结构框架如下图所示:结构主要包含3个部分,分别是处理RGB流的RGBNet,多层特征结合的流式梯形模块,对从深度流各层得到的深度特征加注意力的深度注意力模块(DAM),以及一个轻量级的深度特征提取网络DepthNet。论文结构提出思路RGB图片和与Depth图片所体现的信息是不同的,RGB更多的体现的是色彩,也是就是上下文原创 2021-01-17 20:06:28 · 543 阅读 · 0 评论 -
Synergistic Saliency and Depth Prediction for RGB-D Saliency Detection
Pay Attention Selectively and Comprehensively: Pyramid Gating Network for Human Pose Estimation without Pre-trainingABSTRACTABSTRACT原创 2020-12-05 21:47:45 · 340 阅读 · 0 评论 -
Dense Atrous Spatial Pyramid Pooling(DASPP)
Dense Atrous Spatial Pyramid Pooling-密集空洞空间金字塔池化1 Atrous convolution and pyramid pooling2 Denser feature pyramid and larger receptive field2.1 Denser feature pyramidDenser scale sampling:Denser pixel sampling:2.2 Larger receptive field密集空洞金字塔池化时基于空洞卷积和空洞空原创 2020-11-24 20:36:33 · 3984 阅读 · 1 评论 -
论文集中营
A Simple Pooling-Based Design for Real-Time Salient Object DetectionDeep High-Resolution Representation Learning for Human Pose EstimationDPANet: Depth Potentiality-Aware Gated Attention Network for RGB-D Salient Object DetectionLearning Selective Self.原创 2020-10-18 15:43:00 · 310 阅读 · 1 评论 -
DPANet: Depth Potentiality-Aware Gated Attention Network for RGB-D Salient Object Detection
DPANet: Depth Potentiality-Aware Gated Attention Network for RGB-D Salient Object DetectionAbstractIntroductionRelated WorkRGB Salient Object DetectionRGB-D Salient Object DetectionMethodologyA. Overview of the Proposed NetworkB. Depth Potentiality Percept原创 2020-10-06 15:27:52 · 1362 阅读 · 1 评论 -
文献:A Simple Pooling-Based Design for Real-Time Salient Object Detection
文献:A Simple Pooling-Based Design for Real-Time Salient Object DetectionAbstract1 Introduction2 Related Work3 PoolNet3.1 Overall Pipline3.2 Global Guidance Module3.3 特征聚合模块4 Joint Training with Edge Detection5 ExperimentAbstract &nb原创 2020-09-21 16:13:39 · 455 阅读 · 0 评论 -
用于单眼3D物体检测的可学习深度引导卷积
文献:Learning Depth-Guided Convolutions for Monocular 3D Object摘要(Abstract)1 介绍(Introduction)2 相关工作(Related Work)3 方法(Methodology)3.1 骨干(Backbone)3.2 深度引导过滤模块(DepthGuidedFiltering Module)---Important细节(details)shift-pooling:shift-convloutional实验结果(Experimen原创 2020-09-18 21:36:08 · 1607 阅读 · 2 评论 -
Hierarchical Dynamic Filtering Network for RGB-D Salient Object Detection
文献:Hierarchical Dynamic Filtering Network for RGB-D Salient Object Detection概述AbstractIntroductiongRelated WordProposed MethodTwo Stream StructureDynamic Dilated Pyramid ModuleHybrid Enhanced Loss概述 本篇论文主要是基于RGB-D的显著目标检测,与传统的显著性检测相比,本文采用原创 2020-09-18 10:21:12 · 1190 阅读 · 0 评论 -
图像处理图片的格式对结果的影响
图像处理图片的格式对结果的影响前言分析过程原因分析mode==1mode==L前言 首先,写此篇博客是因为博主在使用不同的数据集进行显著性检测时当将训练集的规模变大时,效果反而变差,最后测试得到的结果显著图是一种全黑的状态,讲道理,这不应该,因为选用的都是广为使用的标准数据集(RGBD)。 并且之前使用单独的数据集(DUT-RGBD)时结果是正常的,当加入两个性的数据集NJUD(1485张)和NLPR(800张)以及它们的增强一共32原创 2020-09-16 20:50:32 · 1412 阅读 · 2 评论