《Group-wise Deep Co-saliency Detection》阅读笔记

《Group-wise Deep Co-saliency Detection》

原文链接：https://arxiv.org/pdf/1707.07381.pdf

中文名《群智能深度共同显著性检测》

                                                              Abstract

       在这篇论文中，我们提出了一个端对端的群智能深度共同显著性检测方法，并基于全卷积网络的群输入和群输出采用这种新方法来检测其中的共性特征。使用这种方法的目的是获得群组图像中群智能相互影响信息，通过基于一种可以适应性的学习共同显著性检测过程中的群智能特征的卷积神经网络来学习一种语义感知图像表示。此外，我们提出的这种方法发现了群智能特征表示和单图像单特征表示之间的交互性关系（相互影响关系），并且在一个协作学习框架上进行模拟。在实验的最后，我们建立了统一的端对端深度学习的计划，以此来连接群智能特征表示学习和合作学习中的有效的部分，从而使得共同显著性检测结果更加的准确并且具有更强的代表性。实验结果说明我们所建立的方法和现存最有效的方法相比是更加理想有效的。

                                                                    Conclusion

       在这篇论文中，我们对于共显性特征检测提出了一种统一的深度共显方法，该方法是通过一个可以进行群输入和群输出的全卷积网络来实现的。在该方法中包含一个数据流学习通道用来抓取图像的共同点和图像组的一致性。接下来构建一个探究在单个图像显著性检测和图像群内部显著性检测中内在关联的端到端学习方法。在共显性图像群中的协作学习，深度共显性模型具有抓取图像群中单个图像的共性和个性特征信息，而且有效的的模拟了图像群中单个图像和整体之间相互作用的关系。本次实验通过对本文所提出的新方法的测试，实验结果中多个评价指标均表明本方法优于现存的其他方法。

 

 

对本文的宏观理解状态

Keywords : a unified deep co-saliency approach  for co-salient detection,  a fully convolutional network, 

the intrinsic correlations between the tasks of individual image saliency detection and intra group saliency detection
 

2019.9.20     

本篇论文主要是研究在图像群中，单个图像与整个图像群之间的关系，即单个图像和整个图像群中其他图片相比有哪些共性特征信息，有哪些个性特征信息。并利用全卷积神经网络的概念在本文中构建了一个专门用于分析单个图像和图像群之间关系的全卷积神经网络模型。