Salience network （显著网络）

最新推荐文章于 2024-06-21 19:06:15 发布
原创 最新推荐文章于 2024-06-21 19:06:15 发布 · 6.9k 阅读 · 10 ·
CC 4.0 BY-SA版权
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。

显著网络（SN）是人类大脑的一个大型网络，主要由前岛叶（AI）和背侧前扣带回皮质（dACC）组成。它在识别生物和认知上最相关事件中起关键作用，引导注意力和行为。SN还涉及情绪和感觉刺激的检测与整合，以及在默认模式网络和中央执行网络之间调节内部和外部认知的切换。

Salience Network

1.组成

The salience network (SN) is a large scale brain network of the human brain that is primarily composed of the anterior insula (AI) and dorsal anterior cingulate cortex (dACC).

2.功能（作用）

The SN plays a crucial role in identifying the most biologically and cognitively relevant events for adaptively guiding attention and behavior and constitutes a key interface for cognitive, homeostatic, motivational, and affective systems.

               

3.关联

While the function of the salience network is not exactly known, it has been implicated in the detection and integration of emotional and sensory stimuli, as well as in modulating the switch between the internally directed cognition of the default mode network and the externally directed cognition of the central executive network.

 

神经网络裁剪技术 ------ 显著性（Distinctiveness)
Ulrich蚊子Blog
07-21 3312
前言 随着深度学习技术的不断发展，其逐步应用到愈发复杂的现实背景当中。为了处理复杂的现实问题，人们所使用的神经网络模型变得越来越深（隐藏层 hidden layer 数目增加），亦或者是越来越大（单个隐藏层内包含的隐藏神经元 hidden unit 的数量增加），从而导致了计算量增加，计算时间增加，以及参数占用的内存增加。为了控制模型的大小，人们使用各种方法尽可能减少参数的使用，比如减少隐藏层数...
Salience-Guided Cascaded Suppression Network for Person Re-identification
soarflight_ing的博客
03-08 753
Salience-Guided Cascaded Suppression Network for Person Re-identification 论文：Salience-Guided Cascaded Suppression Network for Person Re-identification，CVPR,2020. 链接:paper 摘要 动机： 使用注意力机制来建模全局和局部特征作为最终的行人表示已经成为人再识别(Re-ID)算法的趋势。这些方法的一个潜在限制是它们集中于最显著的特征，但是对一个
深度卷积神经网络的显著性检测
02-22
显著性检测问题是近年来的研究热点之一，针对许多传统方法都存在着特征学习不足和鲁棒检测效果不好等问题，提出一种新的基于深度卷积神经网络的显著性检测模型。方法 首先，利用超像素的方法聚类相似特征的像素点，仿人脑视皮层细胞提取目标边缘，得到区域和边缘特征。然后，通过深度卷积神经网络学习图像的区域与边缘特征，获取相应的目标检测显著度置信图。最后，将深度卷积神经网络输出的置信度融入到条件随机场，求取能量最小化，实现显著性与非显著性判别，完成显著性检测任务。结果 在两个常用的视觉检测数据库上进行实验，本文算法的检测精度与当前最好的方法相比，在 MSAＲ 数据库上检测精度相对提升大约 1. 5%，在Berkeley 数据库上提升效果更加明显，达到了 5%。此外，无论是自然场景还是人工建筑场景、大目标与小目标，检测的效果都是最好的。结论 本文融合多特征的深度学习方法与单一浅层人工特征的方法相比更有优势，它避免了手工标定特征所带来的不确定性，具有更好的鲁棒性与普适性，从主观视觉愉悦度和客观检测准确度两方面说明了算法的有效性。
脑网络介绍
zM356161的博客
07-14 1万+
转载自http://blog.sina.com.cn/s/blog_60a7516201019qgk.html 按照网络的功能，以及单突触(monosynaptic)和多突触(polysynaptic)的分布情况，笔者认为把全脑分成三大阵营：感知皮层系统、联合皮层系统和伪迹系统。 a 感知皮层系统(sensor cortexsystems)：视觉网络(Visual network: VIN)、感觉运动网络(sensorimotor network: SEN)、听觉网络(auditory network.
网络富集显著性检验NEST(?)
lazysnake666的博客
06-21 511
https://doi.org/10.1002/hbm.26714背景一般情况下，研究者通过评估统计量较大的脑区与功能网络重叠的情况，或者计算网络的体素占比，来确定行为和功能网络的相关性。NEST能检测行为表型和大脑表型的相关性是否富集在特定的功能网络中。例如下图????(a)计算vertex-wise的皮层厚度与年龄相关得到相关系数图(vertex-wise)，可以使用NEST检测这些相关富集在哪些功...
siris 显著性排序网络代码解读（inference过程）Inferring Attention Shift Ranks of Objects for Image Saliency
Cleo_Gao的博客
03-26 810
training 过程的代码已经解读完毕，见：siris 显著性排序网络代码解读（training过程） 本文继续解读 inference 过程（这部分比 training 简略，在上篇中写过的内容不再赘述）。 按照相同的思路，根据 README.md 文档要求运行文件的顺序解读。同样默认已经对 mask r-cnn 的结构和代码比较熟悉、阅读过显著性排序网络原论文。 文章目录第一部分 获得图片的 `rois` `classIds` `scores` 信息第二部分 获取图片的 `obj_masks` 、`o
【论文阅读】Salience-Guided Cascaded Suppression Network for Person Re-identification
weixin_43169773的博客
08-11 1401
论文地址 显著导向的级联抑制网络用于行人再识别 摘要 动机：大部分都关注显著的特征，但是不显著的特征也可能同样的重要 提出了： Salience-guided Cascaded Suppression Network (SCSN) which enables the model to mine diverse salient features and integrate these features into the final representation by a cascaded manner 挖掘不
Salience-Guided Cascaded Suppression Network for Person Re-identification阅读笔记
baidu_41622980的博客
10-18 623
论文：Salience-Guided Cascaded Suppression Network for Person Re-identification 来源：CVPR 2020 论文地址 动机：当前在全局特征和局部特征上结和注意力机制作为最后的特征表示已经成为了一种潮流，但在某些情况下，reid可能取决于在不同情况下显著特征所掩盖的不容易被注意到的特征。也就是说网络在学习到显著特征时会忽略学习其他重要的特征，而这些被显著特征掩盖起来的特征在不同场景中往往能起到重要的作用（比如身体、衣服甚至是鞋子）。 解决
显著性检测论文阅读整理
sheng4204的博客
06-25 4048
1. Visual Saliency Based on Multiscale Deep Features 原文链接：https://arxiv.org/pdf/1503.08663.pdf 翻译：https://blog.youkuaiyun.com/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，Yi...
精选资源
异常显着网络内动态功能连通性削弱精神分裂症中的大规模网络相互作用
04-04
即精神分裂症中大规模网络相互作用的削弱可能是由于中心执行网络（Central Executive Network，CEN）、默认模式网络（Default Mode Network，DMN）和显著性网络（Salience Network，SN）之间的异常功能交互。...
DHSNet： Deep Hierarchical Saliency Network for Salient Object Detection阅读总结
qq_40092110的博客
04-06 1249
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...
显著性检测：从传统方法到深度学习网络的演进与挑战
方温热的博客
05-07 3961
显著性检测技术在计算机视觉领域中扮演着至关重要的角色，它是一项对图像中最显著或最有区别的视觉特征进行分析和提取的技术。显著性检测技术可以为计算机视觉任务提供帮助，例如图像分割、目标检测、场景理解、图像检索和人机交互等方面。本文将从传统方法到最近流行的技术，全面介绍显著性检测技术的发展历程。
论文解读--用卷积网络基于视觉显著性的方法提高人类检测
bigbug_sec的博客
04-02 1257
《 Using Visual Saliency to Improve Human Detection with Convolutional Networks 》论文解读论文下载地址：点击打开链接如果下载链接出现了问题，回复我，我会发一个链接给下载。一、论文解读1. 人类检测的困难之处与目前常用的检测方法检测（即包括人类的检测）在视觉领域是一个比较重要的问题，对于人类的检测主要存在如下几个比较困难的...
1.显著性目标检测（好的论文描述）
qq_44770238的博客
05-14 2203
在流行的基准测试上进行的大量实验表明，所提出的SAMNet在GPU速度为343fps和CPU速度为5fps的情况下，对于只有1.33M参数的336×336输入，可以产生与最先进的方法相当的精度。我们提出了一种新的方法来寻找图像中的显著区域，利用颜色和亮度的低电平特征，该方法易于实现，耐噪，并且足够快，可用于实时应用。复杂结构在自然图像中普遍存在。一个地区的显著性主要取决于显著性地图应该是快速和容易生成的，以允许处理大型图像集合，并促进有效的图像分类和检索其与附近地区的对比，而与遥远地区的对比则不那么显著。
孪生神经网络(Siamese Network)详解
热门推荐
程序员深度学习
10-27 3万+
1. 要解决什么问题？ 主要解决以下两类分类问题： 第一类，分类数量较少，每一类的数据量较多，比如ImageNet、VOC等。这种分类问题可以使用神经网络或者SVM解决，只要事先知道了所有的类。 第二类，分类数量较多（或者说无法确认具体数量），每一类的数据量较少，比如人脸识别、人脸验证任务。 2. 文章创新点 解决以上两个问题，本文提出了以下解决方法： 提出了一种思路：将输入映射为一个特...
静息态功能磁共振成像:关于静息态功能连接和脑网络分析方法
cc1609130201的博客
10-09 1万+
自诞生之初，人类就对大脑中发生的事情充满好奇。功能磁共振成像是一种重要的工具，它有助于无创地检查、定位和探索大脑的语言、记忆等功能。近年来，神经科学研究的焦点明显转向了“静息态”下的大脑研究。重点是在没有任何感官或认知刺激的情况下大脑内部的内在活动。对静息态下大脑功能连接的分析揭示了不同的静息态网络，这些网络描述了特定的功能和不同的空间拓扑结构。虽然不同的统计方法被引入到静息态功能磁共振成像连接性的研究中，但得到了一致的结果。在本文中，我们详细介绍了静息态功能磁共振成像的概念，然后讨论了三种最广泛使用的分析
显著性检测2019（ICCV, CVPR）【part-2】
ReaFly的博客
01-01 2948
1.《Attentive Feedback Network for Boundary-Aware Salient Object Detection》 网络结构如下： 同样是FCN-based （或 Encoder-Decoder）网络模型。 Encoder给出基于全局信息的预测（由GPM模块实现），之后Decoder不断修正优化输出。创新点依然在特征融合的方式，采用Attentive Feedb...
显著性目标检测模型：EGNet 总结
zz937211040的博客
09-22 6443
论文：EGNet: Edge Guidance Network for Salient Object Detection 一． 主要内容概括 本文提出了一种名为EGNet的网络结构来解决静态目标检测问题，它由边缘特征提取部分、显著性目标特征提取部分以及一对一的导向模块三部分构成，利用边缘特征帮助显著性目标特征定位目标，使目标的边界更加准确。在6个不同的数据集中与15种目前最好的方法进行对比，实验结...
显著性检测数据集简单介绍及下载链接
wanyq07的博客
07-17 1万+
显著性检测是计算机视觉的一个重要分支，而在深度学习的训练阶段、显著性检测算法的评价阶段等都需要大量有标注信息的数据集。这里简单介绍以下几种数据集，并给出一些数据集下载的链接。        早期的显著性检测研究是针对眼动图进行的。但是，眼动图是一些离散的人眼注视的空间点，不能表示出整个显著的区域，因此出现了窗口框标注的显著性检测数据集。然而，窗口框形式的数据集太过粗糙，逐像素标注的显著性检测数据
2、视觉显著性（Visual Salience）标准
最新发布
06-12
### 视觉显著性（Visual Salience）的标准与定义 视觉显著性（Visual Salience）是指图像或场景中某些区域由于其特性（如颜色、亮度、纹理等）而比其他区域更引人注目的现象。这一概念源于人类视觉系统的注意力机制，能够帮助系统快速聚焦于最重要的信息[^2]。 在计算机视觉领域，视觉显著性检测的目标是通过算法模拟人类的视觉注意机制，从而自动识别出图像或视频中最吸引注意力的区域。这种技术广泛应用于目标检测、图像分割、视频摘要生成等领域[^2]。 #### 标准与定义 1. **基于对比的定义**：视觉显著性通常被定义为一个区域与其周围环境之间的对比度。例如，Global Contrast Based Salient Region Detection 方法通过计算局部区域与全局背景之间的差异来确定显著性区域[^1]。 2. **心理模型的支持**：许多显著性检测模型基于心理学理论，如特征综合理论和Guided Search 模型。这些理论认为，人类视觉系统会优先处理那些具有高对比度或独特特征的区域[^2]。 3. **数学表达**：视觉显著性可以通过数学公式表示为： \[ S(x, y) = f(I(x, y), C(x, y)) \] 其中 \(S(x, y)\) 表示位置 \((x, y)\) 的显著性值，\(I(x, y)\) 是该位置的图像特征（如颜色、亮度），\(C(x, y)\) 是上下文信息[^1]。 4. **计算方法**：显著性检测算法通常包括以下步骤： - 特征提取：从图像中提取颜色、纹理、亮度等特征。 - 对比计算：计算每个像素或区域与全局背景之间的对比度。 - 显著图生成：将对比度信息转化为显著性图，突出显示最吸引注意力的区域。 ```python import cv2 import numpy as np # 示例代码：基于OpenCV的显著性检测 def compute_salience(image_path): image = cv2.imread(image_path) saliency = cv2.saliency.StaticSaliencyFineGrained_create() (success, saliencyMap) = saliency.computeSaliency(image) saliencyMap = (saliencyMap * 255).astype("uint8") return saliencyMap # 使用示例 salience_map = compute_salience("example.jpg") cv2.imshow("Salience Map", salience_map) cv2.waitKey(0) ```
评论 2
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