「论文阅读笔记」Deep Hierarchical Saliency Network for Salient Object Detection

最新推荐文章于 2023-03-09 20:55:42 发布
最新推荐文章于 2023-03-09 20:55:42 发布
阅读量1.5k 收藏 5
点赞数 1
分类专栏： 阅读论文笔记 文章标签： 显著性检测 2016cvpr DHSnet
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_38766844/article/details/98228940
版权

纪念第一次写博客的我

想法很简单，记录看过的论文总结出优劣以供自己以后有想法的时候随时查阅

也算是不错的研究生生活的开端

花了一星期看了比较经典，而且是一个显著性检测的2D算法——DHSnet（Deep Hierarchical Saliency Network for Salient Object Detection）

整体结构如下图所示

DHSnet

整个DHSnet分为 GV-CNN和 HRCNN。图片先由一个简单的VGG-16处理再经过全连接层重塑成28x28大小的图片，全连接层头上的784就是28x28，这张图片被称为粗略的全局图像 SmG，值得注意的是，在VGG卷积层上的数字是特征图的分辨率大小，而不是通道数，然后从VGG的不同卷积层中抽取低级特征逐步地分层次地使用RCL（Recurrent Convolutional Layer） 与SmG级联融合，最后以真值重塑的不同尺寸的图片作监督，输出结果

上采样的作用是什么

举个例子 SMRCL4的尺寸是28x28，而需要与它融合的卷积层是56x56，这个时候就需要做上采样将图像分辨率放大

为什么使用RCL,使用RCL的优势是什么

不像之前的算法为了追求图像细节过分进行图像分割而导致耗时长，传统的decoder使用的卷积层参数多训练慢，该算法整合了RCL模块分层次渐进式对图像进行细节的恢复，不仅耗时短而且质量也好。在论文的另一部分专门介绍了RCL的作用，我的理解是，RCL中只涉及2个不同的卷积层，通过4次的循环调用达到效果，而不需要去增加额外卷积层导致参数过多。

论文还从 感受野的缩小、可视化，替换传统卷积层、 GPU运行时间来说明RCL的效果

感受野缩小

可视化

替换传统卷积层时
在这里插入图片描述

在复现代码的时候出现了 **ValueError: operands could not be broadcast together with shapes (224,224) (3,) (224,224) **

如何解决请戳这里

在这里插入图片描述

清新大叔丶
关注
专栏目录
Paper reading :Hierarchical Saliency Detection
wae42675的博客
06-05 1057
Overview of hierachical framework-2013Image Layer Extraction—————coarse representation of the input with different degrees of details 1. define scale of region R 2. Efficient Algori
2017-06-03 Hierarchical Image Saliency Detection on Extended CSSD
ylin01234的博客
07-18 467
Lin Yao The learning of " Hierarchical Image Saliency Detection on Extended CSSD" (J. Shi, Q. Yan, Li Xu, and J. Jia, IEEE Transactions on Pattern Analysis and Machine Intelligence, Apr. 2016, pp.717...
Hierarchical Saliency Detection
04-27
目前效率最高的目标检测算法之一
DHSNet： Deep Hierarchical Saliency Network for Salient Object Detection阅读总结
qq_40092110的博客
04-06 1091
DHSNet重要总结 1. 主要贡献 作者提出一个端到端的深层次显著性网络DHSNet，DHSNet把整个图片当作是输入，直接输出显著性图，DHSNet分层次地从全局视角到局部内容检测目标，从粗略的尺寸到细微的尺寸。 2. 模型介绍 1.简述 DHSNet由GV-CNN(在DHSNet中，前半部分实质是去掉了VGG16的最后一个池化层得到尺寸为[512, 28, 28]的Feature Map)和...
Deep Embedding Features for Salient Object Detection
m0_37928549的博客
02-21 868
Deep Embedding Features for Salient Object Detection 本文是来自AAAI2019 accept的一篇关于显著性目标检测的paper Abstract 得益于卷积神经网络的快速发展，通过利用一些多层级的卷积特征，一些显著性检测方法已经取得了卓越的结果。然而，由于像素级别的标注的高成本，这些显著性训练数据集是非常受限的，这也导致训练好的model在新...
【论文阅读】SuperCNN: A Superpixelwise Convolutional Neural Network for Salient Object Detection（论文阅读笔记)
florrie
07-01 2020
SuperCNN: A Superpixelwise Convolutional Neural Network for Salient Object Detection 超像素卷积神经网络:一种用于检测显著性物体的超像素卷积神经网络 文献提出了一种新颖的SuperCNN网络,使用该网络进行深度学习训练,能学习到图像的分层对比特征,通过将显著性物体的检测视作为二值化标签问题.
RGB-D Salient Object Detection:综述论文笔记
qq_43960994的博客
10-08 2426
RGB-D Salient Object Detection:综述论文笔记 显著性目标检测致力于给定区域内最重要的视觉性目标。SOD在真实世界的应用范围内起着关键性的作用，例如立体匹配、图像理解、显著性检测、行为感知、视频探测和分割、语义分割、视频图像分割、目标追踪、行人检测、伪装目标检测等等。尽管在过去的几十年里SOD领域已经有了很大的进展，在各种挑战因素下还有着提升的空间，例如在场景中有着复杂的背景或者不同的灯光条件。一个解决这些困难的办法是使用深度图，提供RGB图像的补充信息并且由于深度传感器的巨大实
CluterNet: Deep Hierarchical Cluster Network with Rigorously Rotation-Invariant Representation for Point Cloud Analysis
02-08
标题《CluterNet: Deep Hierarchical Cluster Network with Rigorously Rotation-Invariant Representation for Point Cloud Analysis》和描述指出了这篇研究论文探讨的主要内容。这篇论文由中山大学的Chao Chen、...
综述阅读:Salient Object Detection in the Deep Learning Era: An In-Depth Survey
weixin_34344677的博客
06-23 3947
这篇文章主要介绍利用深度学习的显著目标检测，对比各类算法探究形成综述。 原文地址：https://arxiv.org/pdf/1904.09146.pdf若有个人误区及翻译错误，请及时评论指正。 目录 【第一章】介绍 6.23更新 【第二章】深度显著目标检测模型 6.24-6.25更新 【第三章】目标检测数据集 6.26更新 【第四章】评估指标 6.27更新 【第五...
HSCS: Hierarchical Sparsity Based Co-saliency Detection for RGBD Images
02-08
《HSCS: Hierarchical Sparsity Based Co-saliency Detection for RGBD Images》是一篇发表在IEEE Transactions on Multimedia上的学术论文。该文提出了一种针对RGBD图像（即包含颜色和深度信息的图像）的新型共显著...
Deep Saliency:Multi_Task Deep Neural Network Model for Salient object detection
gandhididi的博客
01-05 796
摘要 重要的问题：如何以数据驱动的方式有效地建模显著性对象的语义属性。 提出了基于具有全局输入（全原始图像）和全局输出（全显着图）的完全卷积神经网络的多任务深度显着性模型。 提出的显著性模型采用数据驱动策略对潜在显着性先验信息进行编码，然后建立多任务学习方案，探索显著性检测与语义图像分割之间的内在相关性。通过这两个相关任务的协作特征学习，共享完全卷积层产生有效的物体感知特征。 它能够利用全
【Paper】DeepSaliency: Multi-Task Deep NeuralNetwork Model for Salient Object Detection
kiki天朗晴空的博客
12-23 2586
DeepSaliency: Multi-Task Deep NeuralNetwork Model for Salient Object Detection——CVPR2015，TIP2016 Xi Li, Liming Zhao, Lina Wei, Ming-HsuanYang, Senior Member, IEEE, Fei Wu, Yueting Z
Hierarchical Dynamic Filtering Network forRGB-D Salient Object Detection
qq_58893031的博客
03-09 280
密集连接的结构集成了不同模态的特征，并使用它们的混合特征来生成具有不同大小的感受域的动态滤波器。实现了一种更加灵活高效的多尺度交叉模态特征处理，即动态扩张金字塔模块。为了使预测具有更锐利的边缘和一致的显着性区域，设计了混合增强的损失函数来进一步优化结果。
Hierarchical Dynamic Filtering Network for RGB-D Salient Object Detection
菜根檀的博客
09-18 1207
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
Hierarchical Dynamic Filtering Network for RGB-D Salient Object Detection论文总结
weixin_44981932的博客
01-09 400
Hierarchical Dynamic Filtering Network for RGB-D Salient Object Detection 论文源码 作者想法： RGB-D SOD 主要目的是如何更好的整合并利用跨模态融合信息。在这篇文章中，作者从一个新的观点探索这个问题。作者通过密集的连接结构整合不同模态的特征并且使用它们混合的特征来产生具有不同大小接受野的动态过滤波器。 因此，作者提出一个更灵活有效的多尺度跨模态特征处理：动态膨胀的金字塔模块； 另外，设计了一个混合增强损失函数来使预测的结果有敏
Hierarchical Dynamic Filtering Network for RGB-D Salient Object Detection 论文解读
大神月磨的博客
01-29 764
该论文发表在ECCV2020。 论文地址：https://arxiv.org/pdf/2007.06227.pdf 项目地址：https://github.com/lartpang/HDFNet 文章目录简介动机方法实验 简介 这是一篇关于RGB-D显著性目标检测的工作，该研究课题的关键点在于如何充分融合和利用跨模态的信息(深度图的结构信息)来有助于目标检测的任务。 本文的贡献主要在于两点：第一点是利用动态滤波的方法并设计出一个新颖的动态空洞金字塔模块，该模块能够更好地融合不同尺度的跨模态信息；第二点设计出
【论文阅读】Hierarchical Alternate Interaction Network for RGB-D Salient Object Detection
m0_58702532的博客
06-27 1050
Hierarchical Alternate Interaction Network for RGB-D Salient Object Detection用于 RGB-D 显着目标检测的分层交替交互网络因为深度图在采集过程中质量有好有差减轻深度图的干扰，突出显著对象分层交替交互网络 (HAINet)HAINet 的主要创新是分层交替交互模块（HAIM）HAIM首先使用RGB特征过滤深度特征中的干扰物，然后利用纯化的深度特征依次增强RGB特征HAINet 由特征编码、跨模态交替交互和显着性推理组成，骨干网络为
显著性目标检测——Selectivity or Invariance: Boundary-aware Salient Object Detection（BANet）
spellindover的博客
08-01 1135
文章目录摘要简介SOD存在的关键问题SOD模型目前的困境基于图像的SOD连续扩张的边界感知网络设计基本思路主要工作总结具体方法分析共同特征提取具有三个流的边界感知SOD边界定位流内部感知流过渡补偿流集成式连续扩张模块（Integrated Successive Dilation Module，ISD）实验结果 摘要 通常，显著物体检测模型（SOD）在处理物体内部和边界时面临相反的要求。内部特征应不随强烈的外观变化而变化，以便从整体上弹出突出的对象，而边界的特征应对轻微的外观变化具有选择性，以区分突出的对象和
【Salient Object Detection】显著性物体检测资料汇总
TomRen
03-10 1887
显著性物体检测
semi-supervised hierarchical recurrent graphneural network for city-wide par
最新发布
11-20
总的来说，semi-supervised hierarchical recurrent graph neural network for city-wide parameters modeling and prediction是一种适用于城市规划和管理的先进技术，可以帮助我们更好地理解和把握城市的发展和变化...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值