2017-04-18 Visual Saliency Detection Based on Multiscale Deep CNN Features

最新推荐文章于 2022-11-22 10:10:21 发布
最新推荐文章于 2022-11-22 10:10:21 发布
阅读量901 收藏
点赞数
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。
本文链接：https://blog.youkuaiyun.com/ylin01234/article/details/81069179
该研究结合了‘基于多尺度深度特征的视觉显著性检测’和‘深度对比学习用于显著目标检测’，通过随机森林回归器利用多尺度高层特征和人工选择的低层特征生成显著性地图。通过能量最小化改进空间连贯性，得到最终的显著性图像。文章亮点包括利用边界框方法纠正形状不均匀问题以及多尺度问题的处理。

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

The learning of "Visual Saliency Detection Based on Multiscale Deep CNN Features" (G.-B. Li, Y.-Z. Yu. IEEE Transactions on Image Processing, Nov, 2016, pp. 5012-5024)

The saliency map is obtained by a random forest regressor using the multiscale high level features and the low level features of artificial selection.

1 Model overview

    1. Segment image using graph-based segmentation, and modify the area according to the bounding box idea.
    2. High-level feature vector is extracted at three different scales from three CNNs (Alexnet) fed into the two fully connected layers.
    3. Low-level feature (color and texture) vector is extracted by comparing with boundary background and entire image.
    4.  
       
最低0.47元/天 解锁文章

200万优质内容无限畅学
ylin01234
关注
VISUAL SALIENCY DETECTION BASED ON BAYESIAN MODEL
dayenglish的专栏
05-04 1388
文章主要利用贝叶斯推导模型来得到显著性检测映射图。贝叶斯推导模型的计算公式如下图： 后验概率的意义是，在已知当前像素点的条件下，当前像素点为显著性目标的概率。为了构建上诉贝叶斯概率模型，需要提前计算出显著性值以及得到显著性区域。稳重利用color boost方法来计算焦点检测，有效的利用角点所构建出来的凸包区域来计算大致的显著性区域。由于凸包能够很好的将图像区域分割为两个部分，也就大致得
目标识别算法C语言,显著性目标检测(Visual Saliency Detection)-传统CNNs
weixin_42530793的博客
05-23 1437
显著性目标检测(识别图像的主体，本质是一种分割任务。先算显著图，再合并分割显著对象)2014前，基于手工特征的传统方法：无法描述复杂场景、对象结构；泛化能力差。基于深度学习的方法：1)多层感知机(MLPs)/传统CNNs输入图像被过度成多尺度的小区域，然后将CNN用于提取图像中的高级特征，该高级特征随后被反馈回MLP以确定每个小区域的显着性值。虽用CNN提取高级特征，但由于MLP的使用，CNN所提...
Visual saliency detection based on multiscale deep cnn features
零食的csdn博客
02-28 738
Task 视觉显著性 Visual Saliency（这篇文章2017年左右，很早了） 显著性由视觉对比产生，直观的表征了图像的某些部分与相邻区域比较更突出。 本文发现，利用CNN提取的多尺度特征具有较高视觉显著性，在视觉识别方面取得了巨大成功。因此，本文引入了一种神经网络结构，在CNN后跟着FC层，提取三种不同尺度（相互嵌套）的特征（分别是考虑区域、相邻区域和整个区域）。 另外，本文还构建了...
DeepSaliency论文翻译学习-Visual Saliency Based on MuItiscale Deep Features
风起
12-06 1697
摘要 视觉显着性是包括计算机视觉在内的认知科学和计算科学中的一个基本问题。本文发现，利用深度卷积神经网络(CNN)提取的多尺度特征可以获得高质量的视觉显着性模型，并在视觉识别方面取得了很大的成功。为了学习这类显着性模型，我们引入了一种神经网络体系结构，它在CNN上有完全连接的层，负责三个不同尺度的特征提取。然后，我们提出了一种改进方法，以提高我们的显着性结果的空间一致性。最后，为不同层次的图像分割...
A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
weixin_36670529的博客
09-15 748
摘要 提出了一种用于快速多尺度目标检测的统一深度神经网络，即多尺度CNN (MS-CNN)。MS-CNN由建议子网络和检测子网络组成。在建议子网中，在多个输出层进行检测，使感受野匹配不同尺度的对象。这些互补的尺度特异性探测器被结合起来产生一个强大的多尺度目标探测器。通过优化多任务损失，实现了统一网络的端到端学习。此外，还探讨了反卷积特征上采样作为输入上采样的一种替代方法，以减少内存和计算成本。最...
使用Tensorflow2.0执行视觉显著性检测（Visual Saliency Detection)
qq_40985985的博客
08-13 661
上一篇博客介绍了如何[使用Python，OpenCV执行视觉显著性检测（Visual Saliency Detection)](https://blog.youkuaiyun.com/qq_40985985/article/details/124727023)。这篇博客将介绍如何使用Tensorflow2.0执行显著性检测，这是一个应用图像处理和计算机视觉算法来自动定位图像中最“显著”区域的过程。 ...
显著性检测论文阅读整理
sheng4204的博客
06-25 4000
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...
综述阅读:Salient Object Detection in the Deep Learning Era: An In-Depth Survey
weixin_34344677的博客
06-23 4075
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...
（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）
Jojo论文基地
08-28 3953
CVPR 2017 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
论文阅读（二）：3D visual saliency detection model with generated disparity map
qq_36955294的博客
12-27 760
（2）3D visual saliency detection model with generated disparity map 摘要 由于人单目视觉与双目视觉的区别显著，立体视觉注意力成为三维应用研究中的一个新兴问题。现有的一些三维视觉显著性检测模型利用groundtruth视差映射来计算深度特征的center-surround difference，计算成本高。在一些3D应用程序中，g...
显著目标检测(SOD)方向部分经典论文汇总
xiongxyowo的博客
07-07 969
显著目标检测(SOD)方向部分经典论文汇总
显著性检测论文（一）
jianyuchen23的博客
01-20 1万+
1、Deep Contrast Learning for Salient Object Detection（深度对比学习显著性检测） cvpr2016 Guanbin Li Yizhou Yu Department of Computer Science, The University of Hong Kong 背景 因为深度神经网络强大的特征提取，显著性检测有了很大的进步。然而，存在的基
cvpr2015显著性文章
august_gdy的博客
04-13 1074
前一篇文章是做显著性的，最近很关注这个方向，CVPR 2015的也出了，特意整理一下，简单的分析以后有空再加： 1. “Traditional Saliency Reloaded: A Good Old Model in New Shape”，Simone Frintrop, Thomas Werner, Germán Martin Garcia。 DOG高斯金字塔得重新包装，再次提醒很多
Object Detection(目标检测神文)
热门推荐
Mars_WH的专栏
08-21 6万+
目标检测神文，非常全而且持续在更新。转发自：https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html，如有侵权联系删除。 Papers ———————————————————————————————————- Deep Neural Networks for Object Detection Ov...
CVPR 2016 摘要阅读
Tsingzao的博客
08-02 4万+
为了说明看过CVPR2016全部文章的摘要，总结一下，摘要只保留了创新点部分。 ORAL SESSION Image Captioning and Question Answering Monday, June 27th, 9:00AM - 10:05AM. These papers will also be presented at the following poster sessio
变化检测（Change Detection，CD） 综述2篇 & CD代码 & 常用CD数据集及链接
m0_61899108的博客
11-22 1万+
CD best paper 。综述1，介绍变化检测流程、各种类型的CD数据集、分析不同的算法框架与当前AI主流网络，实际应用，机遇与挑战（无监督、异构数据、是否可靠），内容丰富。 综述2，包括，遥感领域中变化检测的应用，深度学习算法概述（历史、deep models、DBNs、SAEs、CNNs），已有的CD相关论文的汇集整理分析和涉及的期刊会议，大致分为三组（有监督、无监督CD、迁移学习），有前途的研究方向（强化学习、弱监督学习）。 对比之下，综述2适合简单的入门科普，综述1更为深刻，值得细读。
Awesome Computer Vision
Belial计算机视觉&机器视觉专栏
07-07 4542
Table of Contents BooksCoursesPapersSoftwareDatasetsTutorials and TalksResources for studentsBlogsLinksSongs Books Computer Vision Computer Vision: Models, Learning, and Inference - Simo
图像显著度（saliency detection）研究现状调研
huangbo10的专栏
02-24 5982
最近老板让我接触这方面的研究，做了一个简单的调研。 ============================================================ 关于显著度的研究是从生物研究发展而来，早期比较重要的工作是C.Koch与S.Ullman做的，时间可以追溯到1985年。 显著度的获取方式主要有两种：自上而下，从高层语义入手，其实目标检测等等也可以归入这
Pyramid-Feature-Attention-Network-for-Saliency-detection环境配置
最新发布
03-29
<think>好的，我现在需要帮用户解决如何配置Pyramid Feature Attention Network for Saliency Detection的运行环境的问题。用户明确要求环境配置教程，包括依赖库和框架版本。首先，我得回忆一下相关的引用内容，看看有没有提到具体的环境配置信息。不过根据提供的引用，大部分内容是关于网络结构和方法，可能没有直接的环境配置说明。因此，我需要基于常见的深度学习项目环境配置来推断可能的步骤。 首先，Pyramid Feature Attention Network（PFANet）可能基于某个深度学习框架，比如PyTorch或TensorFlow。根据引用3到5中的描述，提到使用了VGG网络，而VGG通常在这些框架中都有实现。考虑到最近的研究多使用PyTorch，我推测这个项目可能基于PyTorch。因此，我需要确定PyTorch的版本以及相关的依赖库。 接下来，依赖库可能包括常见的科学计算库如NumPy、Matplotlib，图像处理库如Pillow或OpenCV，以及深度学习相关的库如torchvision。另外，可能需要一些工具库如tqdm用于进度条，scikit-image用于图像处理。 然后，用户可能需要CUDA和cuDNN的支持来启用GPU加速，所以需要检查项目的需求是否指定了特定的CUDA版本。通常，PyTorch的版本会对应特定的CUDA版本，例如PyTorch 1.7可能对应CUDA 11.0。 另外，项目可能使用特定的数据集，因此需要确保数据集正确下载并放置在指定目录。此外，预训练模型权重可能需要单独下载，特别是如果项目使用了在ImageNet上预训练的VGG模型。 可能的环境配置步骤包括： 1. 安装Python环境，建议使用3.6或3.7版本。 2. 安装PyTorch和torchvision，根据CUDA版本选择合适的安装命令。 3. 安装其他依赖库如NumPy、OpenCV等。 4. 配置数据集路径。 5. 下载预训练模型。 6. 测试安装是否成功，运行示例代码或训练脚本。 需要注意的是，如果项目仓库提供了requirements.txt文件，用户可以直接使用pip安装所有依赖。但用户可能需要根据实际情况调整版本兼容性，尤其是PyTorch和CUDA的版本。 可能遇到的问题包括版本冲突，例如较新的PyTorch版本可能与代码不兼容，因此需要安装指定版本的PyTorch。此外，缺少某些依赖库可能导致运行时错误，需要根据错误提示逐一解决。 最后，建议用户参考项目的官方文档或GitHub仓库中的安装说明，因为不同项目可能有特定的配置要求。如果用户遇到问题，可以检查错误日志，确保所有依赖库正确安装，并考虑在虚拟环境中配置以避免系统范围的冲突。</think>Pyramid Feature Attention Network (PFANet) 的环境配置需结合深度学习框架及依赖库进行设置。以下是基于典型PyTorch项目的配置指南： --- ### **1. 基础环境配置** - **操作系统**：推荐Linux（Ubuntu 18.04+）或Windows 10/11 - **Python版本**：Python 3.6/3.7（与PyTorch兼容性较好） - **CUDA/cuDNN**：CUDA 10.2+、cuDNN 8.0+（需根据GPU型号选择）[^3] --- ### **2. 深度学习框架安装** - **PyTorch**：核心框架（参考官方命令安装） ```bash # 例如CUDA 11.3版本 pip install torch==1.10.1+cu113 torchvision==0.11.2+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html ``` --- ### **3. 依赖库列表** 通过`requirements.txt`安装以下库： ```bash numpy>=1.19.5 opencv-python>=4.5.1 pillow>=8.3.2 tqdm>=4.62.3 scikit-image>=0.18.3 matplotlib>=3.4.3 scipy>=1.7.1 ``` --- ### **4. 数据集与预训练模型** - **数据集**：需下载标准显著性检测数据集（如DUTS、ECSSD等），并放置于`./data/`目录[^4] - **预训练权重**：VGG16/ResNet预训练模型（通常项目会提供下载链接） --- ### **5. 快速验证安装** 运行以下测试命令： ```bash python demo.py --input ./test_images --output ./results ``` 若输出显著性图且无报错，则配置成功[^5]。 --- ### **常见问题解决** - **CUDA版本不匹配**：调整PyTorch版本或升级显卡驱动 - **依赖冲突**：使用虚拟环境（推荐`conda`或`venv`）隔离包 - **缺失预训练模型**：检查路径是否与代码中`model_path`参数一致
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