ECCV 2020 paper
github代码https://github.com/zzhanghub/gicd论文主要工作:
针对协同显著性检测问题,提交检测精度。
方法:首先,我们对一组图像在高维嵌入空间中抽象出其一致特征表示,一旦获得一致表示,我们提出了梯度诱导模块(Gradient Inducing Module, GIM)来模仿人类行为,将特定场景与一致描述进行比较,以反馈匹配信息。
为了更好地评价Co-SOD方法在多个前景中发现共同显著目标的能力,在一个评价数据集中,除共同显著目标外,大多数图像都应该包含至少一个不相关的显著前景。从图3可以看出,目前的CoSOD数据集忽略了这一点[2,11,45,51]。为了缓解这个问题,我们精心构造了一个更具挑战性的数据集,名为公共类别聚合(Common Category Aggregation, CoCA)。
在GIM中,可以首先度量单图表示和一致表示之间的相似性。高层卷积层的卷积核代表不同的语义,我们可以找出与图像组公共特征比较相关的卷积核,对其进行增强,从而检测出共同显著目标。 by partially back-propagating ,我们计算相对于顶层卷积层的相似度梯