显著性检测论文阅读整理

1. Visual Saliency Based on Multiscale Deep Features

• 原文链接：https://arxiv.org/pdf/1503.08663.pdf
• 翻译：https://blog.csdn.net/weixin_40740160/article/details/89005994
• 题目：基于多尺度深度特征的视觉显著性
• 作者：Guanbin Li，Yizhou Yu
• 发表：2015年4月，arxiv
• 方法概要： 

1. 先对图像进行超像素分割
2. 多尺度特征提取，共分为三个尺度，超像素、超像素邻域、全局，超像素与超像素邻域均填充成矩形区域
3. 将三个尺度的矩形区域分别放入一个五层的卷积网络，得到三个尺度的特征向量
4. 将三个尺度的特征向量顺序拼接传入两层的全连接网络，计算得到当前超像素块的显著性值
5. 按照多个不同的等级进行多次分割，然后可以得到多个尺度的显著图，文章中用了15个不同的等级分割
6. 最后显著图中每个像素的显著值是多个等级的显著值的均值
6. 后处理。为了增强空间连续性，做了一定的平滑处理，也是使用最小代价函数的方式进行训练得出

• 网络结构：

• 已知问题

1. 耗时，对一张400x300的图像进行显著性检测需要8s
2. 复杂，需要对图片进行多个尺度的分割
3. 没有足够充分的保留全局特征，自身的特征向量是完全脱离全局特征得到的

CVPR2015

1. Saliency Detection by Multi-Context Deep Learning

• 原文链接：openaccess
• 翻译：https://blog.csdn.net/qq_26569761/article/details/49053573
• 题目：基于多上下文深度学习的显著性检测方法
• 作者：Rui Zhao，等
• 发表：CVPR2015
• 方法概要： 

1. 上下文取全局上下文和局部上下文，先使用SLIC超像素分割
2. 全局上下文以一个超像素为中心，包含整张图片，然后进行扩展，再降采样成227×227×3的图片
3. 局部上下文同样以该超像素为中心选全局上下文的三分之一大小，放缩成227×227×3
4. 分别放入五层卷积网络中进行计算中心超像素的显著性，最后将不同尺度上下文中的显著性进行融合

• 网络结构

• 已知问题

1. 重复处理，每次要对较大的图片区域处理，但是最终得到的只是中心超像素的显著性

2. Deep networks for saliency detection via Local Estimation and Global Search

• 原文链接：