(更新中)论文阅读【Salient Object Detection in the Deep Learning Era: An In-Depth Survey】

最新推荐文章于 2023-11-07 23:23:30 发布

qq_32493539

最新推荐文章于 2023-11-07 23:23:30 发布

阅读量5.3k

点赞数 4

分类专栏：基于深度学习的显著性检测

本文链接：https://blog.csdn.net/qq_32493539/article/details/90742429

版权

本文详尽地调查了深度学习在显著性对象检测（SOD）领域的应用，涵盖网络架构、监督等级、学习范式和对象/实例级检测等多个方面。从多层感知器到全卷积网络，再到混合网络方法，作者分析了各种典型网络结构。此外，还探讨了强监督和无/弱监督方法，以及单任务和多任务学习在SOD中的角色。通过对SOD数据集和评估指标的概述，文章为该领域的研究提供了全面的基准和未来方向。

摘要由CSDN通过智能技术生成

原文链接：https://arxiv.org/abs/1904.09146?context=cs.CV

本文主要对深度学习在显著性检测领域的相关论文、核心期刊以及会议上发表的论文进行了研究调查，形成综述。

【前言】

作为计算机视觉中的一个重要问题，显着性物体检测（SOD）多年来吸引了越来越多的研究工作。SOD的最新进展主要由深度学习型解决方案（名为深度SOD）主导，并由数百篇已发表的论文反映出来。为了促进对深度SOD的深入理解，在本文中，作者提供了一个全面的调查，涵盖从算法分类到未解决的开放问题的等各个方面。首先从不同角度审视深度SOD算法（第二章），包括网络架构、监督级别、学习范式和对象/实例级别检测。之后，总结了主流的SOD数据集（第三章）和评估标准（第四章）。然后，在别人工作的基础上编写了一个覆盖主流SOD方法的全面性能的基准（第五章），并提供详细的测试结果分析。最后讨论了目前显著性检测存在的问题和挑战以及今后可能的研究方向（第六章）。第七章总结。所有显着性预测图、构建的带注释的数据集和评估代码都可以在https://github.com/wenguanwang/SODsurvey上公开获得。

【第一章】

【第二章】

2.1 SOD典型网络结构

2.1.1 多层感知器Multi-layer Perceptron (MLP）

2.1.2 完全卷积网络Fully Convolutional Network (FCN)

2.1.3 基于混合网络的方法Hybrid Network

【第一章】

显著性检测（SOD）是为了突出图像中显著的目标区域，不同于起源于认知和心理学研究领域的凝视点预测（预测人眼的下一个关注点是什么，应用于广告投放点、游戏设置等），被广泛应用于不同的领域。如采样应用：图像理解、图像描述生成、目标检测、无监督视频目标分割、予以分割、行人重识别等；计算机图形学中：非真实感渲染、图像自动裁剪、图像重定向、视频摘要等；在机器人领域中：人机交互、目标发现等。

2015年深度学习的方法首次应用于显著性检测，较好的算法性能使其成为研究的一个转折点。

显著性检测综述整理：https://blog.csdn.net/qq_32493539/article/details/79530118（程明明论文）

在本文中，作者对现有的SOD方法和数据集进行了分类研究，还研究了一些重要的但在很大程度上尚未得到充分研究的问题，如SOD中特征的影响，以及SOD模型的鲁棒性和可移植性。对于这些之前没有的研究，作者构建了新的数据集和标记，并在前人研究的基础上推导出baseline（评价算法好坏的参照，benchmark：评价算法好坏的规则）。

下表是对之前的一些关于显著性检测综述代表性论文总结：