显著性检测
文章平均质量分 78
主要介绍以深度学习为主的显著性检测
点PY
If you cannot risk, you cannot grow. If you cannot grow, you cannot become you best. If you cannot become you best, you cannot be happy. If you cannot be happy, what else matters?
展开
-
EGNet
code:https://github.com/JXingZhao/EGNet paper:https://arxiv.org/abs/1908.08297 文章目录摘要论文贡献MethodsProgressive salient object features extractionNon-local salient edge features extractionOne-to-one guidance module实验结果 摘要 全卷积神经网络(FCNs)在显著目标检测任务中显示出其优势。 然而,大多数现原创 2021-03-03 11:23:07 · 725 阅读 · 0 评论 -
显著性检测简述、论文合集和相关代码
显著性目标检测 显著性目标检测旨在从输入图像上识别出最引人注目的对象,简单来说,这个研究方向希望能够识别出图像的主体。 以深度学习方法进行显著性目标检测 虽然手制特征允许传统显著性目标检测方法实时进行检测,但这些方法的缺点限制了它们在复杂场景下进行显著性目标检测的能力。与此同时,卷积神经网络在不同图像任务中的广泛应用(如目标检测、语义分割、边缘检测等)为显著性目标检测提供了新的思路,并在一些工作中展现出令人惊喜的效果提升。由于其多级和多尺度特征,CNN能够在不使用任何先验知识的情况下准确地捕获最显着的区域。原创 2021-01-27 11:12:44 · 3402 阅读 · 0 评论 -
PoolNet
code:https://github.com/backseason/PoolNet paper文章目录摘要网络实现Global Guidance Module (GGM)Feature Aggregation Module (FAM)整体结构结果Pytorch PoolNet 摘要 最先进的突出对象检测结果之一是PoolNet模型,它在不同的骨干模型(如VGG或ResNet)下表现良好。该模型的关键操作是池化操作,池化操作对深层特征和浅层特征都有较好的表示。在5个基准数据集的显著性目标检测问题上,该算法的原创 2021-01-25 10:28:01 · 2332 阅读 · 0 评论 -
U2-Net
paper:https://arxiv.org/pdf/2005.09007.pdf code:https://github.com/NathanUA/U-2-Net 摘要 作者设计了一个简单而强大的深层网络架构,U2-Net,用于显著目标检测(SOD)。作者的U2-Net的体系结构是一个两层嵌套的U型结构。设计具有以下优点:(1)它能够捕捉更多上下文信息从不同尺度的混合接受字段大小不同的在计划的剩余U-blocks (RSU),(2)它增加了整个架构的深度没有显著增加池的计算成本,因为这些RSU块中使用的原创 2021-01-23 13:54:22 · 3078 阅读 · 0 评论