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
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
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
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
1. DNN-L:是一个包含三层卷积层,三层全连接层的深度网络 2. 滑动窗口裁剪51×51的图片区域,步长为10,标记和筛选后放入DNN-L进行局部估计 3. 细化(没细看) 4. DNN-G由6个全连接层组成。用来生成最终的显著图
1. 仍然存在大量的重复处理部分
https://blog.csdn.net/sheng4204/article/details/108963780
1. Generic Promotion of Diffusion-Based Salient Object Detection
2. HARF: Hierarchy-associated Rich Features for Salient Object Detection
3. Minimum Barrier Salient Object Detection at 80 FPS
4. A Data-driven Metric for Comprehensive Evaluation of Saliency Models
5. SALICON: Reducing the Semantic Gap in Saliency Prediction by Adapting Deep Neural Networks
6. A Self-paced Multiple-instance Learning Framework for Co-saliency Detection
7. Learning to Predict Saliency on Face Images
1. Learning Uncertain Convolutional Features for Accurate Saliency Detection
2. Learning Gaze Transitions from Depth to Improve Video Saliency Estimation
3. Saliency Pattern Detection by Ranking Structured Trees
4. Generalized orderless pooling performs implicit salient matching
5. Amulet: Aggregating Multi-level Convolutional Features for Salient Object Detection
6. Look, Perceive and Segment: Finding the Salient Objects in Images via Two-stream Fixation-Semantic CNNs
7. Delving into Salient Object Subitizing and Detection
8. Supervision by Fusion: Towards Unsupervised Learning of Deep Salient Object Detector
9. A Stagewise Refinement Model for Detecting Salient Objects in Images