精华内容
下载资源
问答
  • 显著性检测最近几年成了研究热点,从计算机视觉三大会议(ICCV, CVPR, ECCV)上文章...看到这,有些人也许还不明白显著目标检测和眼动点预测区别。其实,显著目标检测就类似于一个二值分割问题,只不过加了显著这个条

    显著性检测最近几年成了研究热点,从计算机视觉三大会议(ICCV, CVPR, ECCV)上的文章数量就可以看出,大概每届会议都有10来篇的样子,一个这么小的topic,10来篇数量已经很多了。如果你看一看这些文章就会发现,显著目标检测的占了大部分,眼动点预测的很少,大概就一两篇。看到这,有些人也许还不明白显著目标检测和眼动点预测区别。其实,显著目标检测就类似于一个二值分割问题,只不过加了显著这个条件约束;而眼动点预测则是提取出人眼感兴趣的一些点,而不是提取出显著的整个目标区域,也就是说有些像素哪怕是在显著目标上,它也可能不吸引人的眼球。那么为什么显著目标检测文章最近几年这么多呢?究其原因,我个人认为首要就是这个topic简单,不需要太深的数学理论,而且不需要生理方面的研究基础(眼动点预测更侧重人脑的生理方面),容易出文章,谁都可以搞一搞;然后,显著目标检测的应用在计算机视觉上更直接一些,包括图像分割,也就是saliency作为prior,来指导segmentation,来实现unsupervised segmentation。然后,就是图像分类了,可以利用saliency来提高feature的discrimination,如利用saliency来指导sparse code等等吧;最后,就是大牛们itti和borji等的持续push,写了很多的benchmark文章,当然更多是在眼动点预测方面,也有ECCV12关于salient object detection的benchmark。现在的要发个top,最好要和ECCV12 benchmark上的top ranked算法在提到的几个database上比较一下。不过,一个topic持续的发热一段时间以后,很多人发现,显著目标检测也越来越难做了,没有idea了,能想到的,都被用了。那么,我接下来就来讲一讲怎样继续做显著目标检测的研究。


    2、显著目标检测的研究思路


    第一,借鉴其他相关问题的解决思路来做saliency


    我先来介绍一下和salient object detection最相关的两个问题:


    1、Segmentation
    – Figure/ground segmentation or matting
    – Image segmentation or clustering
    – Semantic segmentation or image parsing

    2、Object detection and recognition
    – Class-independent object detection and recognition
    – Class-specific object detection and recognition

    接下来,我就举一些例子,来说明怎样从这些相关领域来得到启发


    第一个例子就是MSRA的yichen wei等ECCV12 Geodesic saliency,这篇文章的主要是利用boundary prior和测地距离来进行显著性检测。而相似的思路也应用于segmentation中,如Geodesic Graph Cut for Interactive Image Segmentation, CVPR 10,就是利用和人为标记的一些先验区域的测地距离,来衡量像素属于目标或者背景可能性,当我们把人为标定的先验区域,用boundary prior替代,就可以实现bottom-up的saliency detection了。而boundary prior在Constrained Parametric Min-Cuts for Automatic Object Segmentation, CVPR 10,也已用到,就是利用boundary prior来指导分割的。


    第二个例子就是CVPR13的Salient Object Detection: A Discriminative Regional Feature Integration Approach。相似的思路,也在Constrained Parametric Min-Cuts for Automatic Object Segmentation, CVPR 10中,用来进行segmentation。不同的是一个处理的是region,一个是binary segment。处理region的好处,就是可以加上center-surround等各种saliency的机制。


    第三个例子CVPR13的 Saliency aggregation。文章主要是利用local learning的思想,就是说类内差异性,导致一个针对整幅图像库的model不可能对每个图像都好,所以他就对每个图像训练了一个local model。相似的思路,在Object recognition有很多,如Extracting Foreground Masks towards Object Recognition, ICCV 11. 另外, CVPR13 Looking beyond image saliency, 也采用了类似的idea。


    第二,利用一些新的技术来进行显著性检测


    我们可以借用machine learning方面一些技术,比如说,sparse code,pca,manifold learning,ranking,graph model等来做saliency。这些idea容易搞,就是把一些技术应用到saliency上来。举几个例子,CVPR13的 manifold ranking saliency, pca saliency等,ICCV13 的 Contextual Hypergraph Modelling for Salient Object Detection 等。


    3、以后研究思路


    我觉得以后的salient object detection可以沿着几个思路做一些。

    第一,可以在速度方面做一些工作,毕竟salient object detection 自己几乎没啥用,就是做一些高级应用的pre-processing。


    第二,可以做一些sparse code的saliency研究,貌似sparse code在很多方面都要火一阵,比如classification,tracking,super-resolution, denoise等等,是不是在saliency也要火一阵,貌似sparse code的效果还不太好。ICCV13 huchuan lu有一篇 sparse code,效果还不错。


    第三,多用一些prior来做saliency。比如可以利用inter-image or out-image等的prior来把saliency这个ill-posed问题转化为well-posed。这是个很好的方向,比如我们可以学习统计的prior或者发现新的prior,相关的思路在segmentation也有了,比如CVPR 13Robust Region Grouping via Internal Patch Statistics 和 ACM MM10 的 Image segmentation with patch-pair density priors。


    困了,先写到这,后续继续讲!

    转载自:http://www.360doc.com/content/14/0725/09/10724725_396891787.shtml

    代码合集:http://www.360doc.com/content/12/0201/11/8703626_183332994.shtml

    展开全文
  • 1、显著目标检测介绍 显著性检测最近几年成了研究热点,从计算机视觉三大会议(ICCV, CVPR, ECCV)上文章数量就可以看出...看到这,有些人也许还不明白显著目标检测和眼动点预测区别。其实,显著目标检测就类似...

    1、显著目标检测介绍

     

    显著性检测最近几年成了研究热点,从计算机视觉三大会议(ICCV, CVPR, ECCV)上的文章数量就可以看出,大概每届会议都有10来篇的样子,一个这么小的topic,10来篇数量已经很多了。如果你看一看这些文章就会发现,显著目标检测的占了大部分,眼动点预测的很少,大概就一两篇。看到这,有些人也许还不明白显著目标检测和眼动点预测区别。其实,显著目标检测就类似于一个二值分割问题,只不过加了显著这个条件约束;而眼动点预测则是提取出人眼感兴趣的一些点,而不是提取出显著的整个目标区域,也就是说有些像素哪怕是在显著目标上,它也可能不吸引人的眼球。那么为什么显著目标检测文章最近几年这么多呢?究其原因,我个人认为首要就是这个topic简单,不需要太深的数学理论,而且不需要生理方面的研究基础(眼动点预测更侧重人脑的生理方面),容易出文章,谁都可以搞一搞;然后,显著目标检测的应用在计算机视觉上更直接一些,包括图像分割,也就是saliency作为prior,来指导segmentation,来实现unsupervised segmentation。然后,就是图像分类了,可以利用saliency来提高feature的discrimination,如利用saliency来指导sparse code等等吧;最后,就是大牛们itti和borji等的持续push,写了很多的benchmark文章,当然更多是在眼动点预测方面,也有ECCV12关于salient object detection的benchmark。现在的要发个top,最好要和ECCV12 benchmark上的top ranked算法在提到的几个database上比较一下。不过,一个topic持续的发热一段时间以后,很多人发现,显著目标检测也越来越难做了,没有idea了,能想到的,都被用了。那么,我接下来就来讲一讲怎样继续做显著目标检测的研究。

     

    2、显著目标检测的研究思路

     

    第一,借鉴其他相关问题的解决思路来做saliency

     

    我先来介绍一下和salient object detection最相关的两个问题:

     

    1、Segmentation
    – Figure/ground segmentation or matting
    – Image segmentation or clustering
    – Semantic segmentation or image parsing
     
    2、Object detection and recognition
    – Class-independent object detection and recognition
    – Class-specific object detection and recognition

    接下来,我就举一些例子,来说明怎样从这些相关领域来得到启发

     

    第一个例子就是MSRA的yichen wei等ECCV12 Geodesic saliency,这篇文章的主要是利用boundary prior和测地距离来进行显著性检测。而相似的思路也应用于segmentation中,如Geodesic Graph Cut for Interactive Image Segmentation, CVPR 10,就是利用和人为标记的一些先验区域的测地距离,来衡量像素属于目标或者背景可能性,当我们把人为标定的先验区域,用boundary prior替代,就可以实现bottom-up的saliency detection了。而boundary prior在Constrained Parametric Min-Cuts for Automatic Object Segmentation, CVPR 10,也已用到,就是利用boundary prior来指导分割的。

     

    第二个例子就是CVPR13的Salient Object Detection: A Discriminative Regional Feature Integration Approach。相似的思路,也在Constrained Parametric Min-Cuts for Automatic Object Segmentation, CVPR 10中,用来进行segmentation。不同的是一个处理的是region,一个是binary segment。处理region的好处,就是可以加上center-surround等各种saliency的机制。

     

    第三个例子CVPR13的 Saliency aggregation。文章主要是利用local learning的思想,就是说类内差异性,导致一个针对整幅图像库的model不可能对每个图像都好,所以他就对每个图像训练了一个local model。相似的思路,在Object recognition有很多,如Extracting Foreground Masks towards Object Recognition, ICCV 11. 另外, CVPR13 Looking beyond image saliency, 也采用了类似的idea。

     

    第二,利用一些新的技术来进行显著性检测

     

    我们可以借用machine learning方面一些技术,比如说,sparse code,pca,manifold learning,ranking,graph model等来做saliency。这些idea容易搞,就是把一些技术应用到saliency上来。举几个例子,CVPR13的 manifold ranking saliency, pca saliency等,ICCV13 的 Contextual Hypergraph Modelling for Salient Object Detection 等。

     

    3、以后研究思路

     

    我觉得以后的salient object detection可以沿着几个思路做一些。

    第一,可以在速度方面做一些工作,毕竟salient object detection 自己几乎没啥用,就是做一些高级应用的pre-processing。

     

    第二,可以做一些sparse code的saliency研究,貌似sparse code在很多方面都要火一阵,比如classification,tracking,super-resolution, denoise等等,是不是在saliency也要火一阵,貌似sparse code的效果还不太好。ICCV13 huchuan lu有一篇 sparse code,效果还不错。

     

    第三,多用一些prior来做saliency。比如可以利用inter-image or out-image等的prior来把saliency这个ill-posed问题转化为well-posed。这是个很好的方向,比如我们可以学习统计的prior或者发现新的prior,相关的思路在segmentation也有了,比如CVPR 13Robust Region Grouping via Internal Patch Statistics 和 ACM MM10 的 Image segmentation with patch-pair density priors。

     

    困了,先写到这,后续继续讲!

     

    转载于:https://www.cnblogs.com/laiqun/p/6225082.html

    展开全文
  • 显著目标检测是计算机视觉重要组成部分,目的是检测图像中最吸引人眼目标区域。针对显著检测中特征适应性不足以及当前一些算法出现多检与漏检问题,提出从“目标在哪儿”与“背景在哪儿”两个角度描述显著性...
  • 显著性检测最近几年成了研究热点,从计算机视觉三大会议(ICCV, CVPR, ECCV)上文章...看到这,有些人也许还不明白显著目标检测和眼动点预测区别。其实,显著目标检测就类似于一个二值分割问题,只不过加了显著这个条

    显著性检测最近几年成了研究热点,从计算机视觉三大会议(ICCV, CVPR, ECCV)上的文章数量就可以看出,大概每届会议都有10来篇的样子,一个这么小的topic,10来篇数量已经很多了。如果你看一看这些文章就会发现,显著目标检测的占了大部分,眼动点预测的很少,大概就一两篇。看到这,有些人也许还不明白显著目标检测和眼动点预测区别。其实,显著目标检测就类似于一个二值分割问题,只不过加了显著这个条件约束;而眼动点预测则是提取出人眼感兴趣的一些点,而不是提取出显著的整个目标区域,也就是说有些像素哪怕是在显著目标上,它也可能不吸引人的眼球。那么为什么显著目标检测文章最近几年这么多呢?究其原因,我个人认为首要就是这个topic简单,不需要太深的数学理论,而且不需要生理方面的研究基础(眼动点预测更侧重人脑的生理方面),容易出文章,谁都可以搞一搞;然后,显著目标检测的应用在计算机视觉上更直接一些,包括图像分割,也就是saliency作为prior,来指导segmentation,来实现unsupervised segmentation。然后,就是图像分类了,可以利用saliency来提高feature的discrimination,如利用saliency来指导sparse code等等吧;最后,就是大牛们itti和borji等的持续push,写了很多的benchmark文章,当然更多是在眼动点预测方面,也有ECCV12关于salient object detection的benchmark。现在的要发个top,最好要和ECCV12 benchmark上的top ranked算法在提到的几个database上比较一下。不过,一个topic持续的发热一段时间以后,很多人发现,显著目标检测也越来越难做了,没有idea了,能想到的,都被用了。那么,我接下来就来讲一讲怎样继续做显著目标检测的研究。


    2、显著目标检测的研究思路


    第一,借鉴其他相关问题的解决思路来做saliency


    我先来介绍一下和salient object detection最相关的两个问题:


    1、Segmentation
    – Figure/ground segmentation or matting
    – Image segmentation or clustering
    – Semantic segmentation or image parsing

    2、Object detection and recognition
    – Class-independent object detection and recognition
    – Class-specific object detection and recognition

    接下来,我就举一些例子,来说明怎样从这些相关领域来得到启发


    第一个例子就是MSRA的yichen wei等ECCV12 Geodesic saliency,这篇文章的主要是利用boundary prior和测地距离来进行显著性检测。而相似的思路也应用于segmentation中,如Geodesic Graph Cut for Interactive Image Segmentation, CVPR 10,就是利用和人为标记的一些先验区域的测地距离,来衡量像素属于目标或者背景可能性,当我们把人为标定的先验区域,用boundary prior替代,就可以实现bottom-up的saliency detection了。而boundary prior在Constrained Parametric Min-Cuts for Automatic Object Segmentation, CVPR 10,也已用到,就是利用boundary prior来指导分割的。


    第二个例子就是CVPR13的Salient Object Detection: A Discriminative Regional Feature Integration Approach。相似的思路,也在Constrained Parametric Min-Cuts for Automatic Object Segmentation, CVPR 10中,用来进行segmentation。不同的是一个处理的是region,一个是binary segment。处理region的好处,就是可以加上center-surround等各种saliency的机制。


    第三个例子CVPR13的 Saliency aggregation。文章主要是利用local learning的思想,就是说类内差异性,导致一个针对整幅图像库的model不可能对每个图像都好,所以他就对每个图像训练了一个local model。相似的思路,在Object recognition有很多,如Extracting Foreground Masks towards Object Recognition, ICCV 11. 另外, CVPR13 Looking beyond image saliency, 也采用了类似的idea。


    第二,利用一些新的技术来进行显著性检测


    我们可以借用machine learning方面一些技术,比如说,sparse code,pca,manifold learning,ranking,graph model等来做saliency。这些idea容易搞,就是把一些技术应用到saliency上来。举几个例子,CVPR13的 manifold ranking saliency, pca saliency等,ICCV13 的 Contextual Hypergraph Modelling for Salient Object Detection 等。


    3、以后研究思路


    我觉得以后的salient object detection可以沿着几个思路做一些。

    第一,可以在速度方面做一些工作,毕竟salient object detection 自己几乎没啥用,就是做一些高级应用的pre-processing。


    第二,可以做一些sparse code的saliency研究,貌似sparse code在很多方面都要火一阵,比如classification,tracking,super-resolution, denoise等等,是不是在saliency也要火一阵,貌似sparse code的效果还不太好。ICCV13 huchuan lu有一篇 sparse code,效果还不错。


    第三,多用一些prior来做saliency。比如可以利用inter-image or out-image等的prior来把saliency这个ill-posed问题转化为well-posed。这是个很好的方向,比如我们可以学习统计的prior或者发现新的prior,相关的思路在segmentation也有了,比如CVPR 13Robust Region Grouping via Internal Patch Statistics 和 ACM MM10 的 Image segmentation with patch-pair density priors。


    困了,先写到这,后续继续讲!

    转载自:http://www.360doc.com/content/14/0725/09/10724725_396891787.shtml

    代码合集:http://www.360doc.com/content/12/0201/11/8703626_183332994.shtml

    展开全文
  • 显著检测是给定一张图像,挑选出里面最惹人眼球的部分,类似于视觉Attention机制,不过又有些说不上来的区别显著检测分为自上而下top-down自下而上bottom-up,前者是从整体的高级语义出发,假如看到图片中有...

    显著性检测是给定一张图像,挑选出里面最惹人眼球的部分,类似于视觉Attention机制,不过又有些说不上来的区别。显著性检测分为自上而下top-down和自下而上bottom-up,前者是从整体的高级语义出发,假如看到图片中有一个人,那么这个人必然是一个显著性目标;而自下而上是根据图像局部的某些色彩,纹理,边缘等等,来决定这个比较有特点的区域是否为一个显著性目标。

    最近有一些基于U-net结构的网络,可以较好的进行saliency detection。但是这种单纯的基于FPN的U-net结构会有以下几个问题:(1)高层语义信息还原成浅层信息时会不断地被稀释;(2)CNN每层的感受野不一致,会带来一些问题。

    在这里插入图片描述

    为了解决上述问题,作者提出了两个模块:global guidance module (GGM)和 feature aggregation module (FAM)。GGM将每个层级抽取的特征图与高层语义信息直接融合,所以在这种top-down的过程中,高层语义不会被稀释;FAM模块可以解决混叠效应,并且可以增大感受野。

    在这里插入图片描述
    采用GGM和FAM两个模块的U-net已经可以达到SOTA,但作者还采用了边缘检测进一步提升精度(具体怎们用的没看)。

    一些实验结果:

    在这里插入图片描述
    在这里插入图片描述

    展开全文
  • 在这个问题下面大家分享一下我们的工作,正好解释一下我们YOLO v4 - Mosaic的区别与联系,以及这种类似的做法为什么能涨点,以及其他可以挖掘的点。
  • FCNRPN两种特征提取框架的区别

    千次阅读 2018-03-28 13:30:42
    场景文本检测的难点主要在于目标的方向、形状、尺度变化显著,且自然场景背景复杂。现有的基于深度学习的场景文本检测框架大致分为两类: 一类基于FCN框架提取文本显著图,但此类方法引入大量噪声干扰结果准确性...
  • 该算法与传统跟踪算法的显著区别在于将传统跟踪算法传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生形变、部分遮挡等问题。同时,通过一种改进在线学习机制不断更新跟踪模块显著特征点”和检测...
  • TLD目标跟踪原理解析

    千次阅读 2016-09-21 19:16:12
    TLD(Tracking-Learning-Detection)是英国萨里大学一个捷克籍博士生在其攻读博士学位期间提出一种新目标长时间(long...该算法与传统跟踪算法的显著区别在于将传统跟踪算法传统的检测算法相结合来解决被
  • 该算法与传统跟踪算法的显著区别在于将传统跟踪算法传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生形变、部分遮挡等问题。同时,通过一种改进在线学习机制不断更新跟踪模块
  • 摘要:显著目标检测为计算机视觉一大挑战,然后如何提取高效特征?最近一些方法采用不加区别的集成多尺度卷积特征,然而并非所有特征都对显著性检测有效,一些特征也会引起干扰。为了解决上述问题 提出显著性...
  • 比微软kinect更强视频跟踪算法--TLD跟踪算法介绍

    万次阅读 多人点赞 2012-06-09 09:23:41
    该算法与传统跟踪算法的显著区别在于将传统跟踪算法传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生形变、部分遮挡等问题。同时,通过一种改进在线学习机制不断更新跟踪模块显著特征点”和检测...
  • 该算法与传统跟踪算法的显著区别在于将传统跟踪算法传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生形变、部分遮挡等问题。同时,通过一种改进在线学习机制不断更新跟踪模块显著特征点”和检测...
  • 该算法与传统跟踪算法的显著区别在于将传统跟踪算法传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生形变、部分遮挡等问题。同时,通过一种改进在线学习机制不断更新跟踪模块
  • 该算法与传统跟踪算法的显著区别在于将传统跟踪算法传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生形变、部分遮挡等问题。同时,通过一种改进在线学习机制不断更新跟踪模块“显
  • 该算法与传统跟踪算法的显著区别在于将传统跟踪算法传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生形变、部分遮挡等问题。同时,通过一种改进在线学习机制不断更新跟踪模块“显
  • TLD(Tracking-Learning-Detection)是英国萨里大学一个捷克籍博士生在其攻读博士学位期间提出一种新目标长时间...该算法与传统跟踪算法的显著区别在于将传统跟踪算法传统的检测算法相结合来解决被跟踪

空空如也

空空如也

1 2 3 4
收藏数 68
精华内容 27
关键字:

显著目标检测和目标检测的区别