显著性检测相关论文阅读

文章探讨了显著性检测的挑战和背景先验在解决这一问题中的作用。通过对Geodesic Saliency Using Background Priors这篇论文的解析,展示了如何利用边界和连通先验性改进显著性检测。当前,尽管对比度方法取得了一些成果,但仍然面临对象内部显著性减弱等问题。因此,研究聚焦于如何利用背景知识来更好地定义和检测图像显著性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

        目前对于“在一幅图像中什么是显著性”还存在着不是很明确的定义,依然有好多学者在研究这方面的问题和相应的显著性评价指标

1.Geodesic Saliency Using Background Priors(2012,ICCV)

         在这篇文章中,作者 基于背景先验知识的“boundary and connectivity priors(边界先验性和连通先验性)”   这两个创新点   

       总结最近几年显著性检测方法的发展情况:近些年来大多数人们更关注于基于目标层的显著性检测(即显著目标在哪里)

、以人为标注的目标进行指标评价(即边界框或者前景目标掩码)。

        由于对高层知识的缺乏,所有自底向上的显著性检测方法都是基于目标或者背景的特性上的假设或者先验知识。“appearance contrast between object and background is high”.而基于对比度的上下文内容理解的方法大致可以概括为:基于局部对比度、基于全局对比度。局部对比度:基于局部邻近的像素点/块,如such as edge contrast, center-surround discriminative power [7], center-surround differences , curvature and&nbs

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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