文章目录
- 显著性目标检测
- 以深度学习方法进行显著性目标检测
- 论文
- 2019
- ConnNet: A Long-Range Relation-Aware Pixel-Connectivity Network for Salient Segmentation
- 相关资料链接
显著性目标检测
显著性目标检测旨在从输入图像上识别出最引人注目的对象，简单来说，这个研究方向希望能够识别出图像的主体。
以深度学习方法进行显著性目标检测
虽然手制特征允许传统显著性目标检测方法实时进行检测，但这些方法的缺点限制了它们在复杂场景下进行显著性目标检测的能力。与此同时，卷积神经网络在不同图像任务中的广泛应用（如目标检测、语义分割、边缘检测等）为显著性目标检测提供了新的思路，并在一些工作中展现出令人惊喜的效果提升。由于其多级和多尺度特征，CNN能够在不使用任何先验知识的情况下准确地捕获最显著的区域。此外，即使存在阴影或反射，多级特征也允许CNN更好地定位检测到的突出区域的边界。由于这些优越性，基于CNN的显著性目标检测方法在几乎所有现有数据集上刷新历史记录，成为显著性目标检测中的主流方法。ConnNet通过利用嵌入在图像中的多级级级联上下文和长程像素关系来预测每个像素与其相邻像素的连通性概率。我们研究了在两个任务上我们的方法，即显著目标分割和显著实例分割，并说明通过将这些任务建模为连接，而不是各种网络架构的二值分割任务，可以获得一致的改进。我们实现了最先进的性能，优于或可与现有的方法相媲美，同时由于我们不那么复杂的方法而减少了推理时间。
论文
2019
ConnNet: A Long-Range Relation-Aware Pixel-Connectivity Network for Salient Segmentation
摘要： 显著分割的目的，这是一项关键但具有挑战性的任务，也是许多高级计算机视觉应用的基础。它需要将语义感知的像素分组到显著的区域，并受益于利用全局多尺度上下文来实现良好的局部推理。以往的工作经常将其解决为两类分割问题，利用复杂的多步骤程序，包括细化网络和复杂的图形模型。我们认为，语义显著性分割可以通过重新定义为一个简单而直观的基于像素对的连接预测任务来有效地解决。根据显著对象可以通过相邻像素之间的语义感知连接来自然分组的直觉，我们提出了一个纯连接网络(ConnNet)。ConnNet通过利用嵌入在图像中的多级级级联上下文和长程像素关系来预测每个像素与其相邻像素的连通性概率。我们研究了在两个任务上我们的方法，即显著目标分割和显著实例分割，并说明通过将这些任务建模为连接，而不是各种网络架构的二值分割任务，可以获得一致的改进。我们实现了最先进的性能，优于或可与现有的方法相媲美，同时由于我们不那么复杂的方法而减少了推理时间。
论文的贡献：ConnNet是基于这样一种想法，即利用局部和全局关系将显著对象建模为连接的像素区域。这个概念如图1所示。我们利用卷积神经网络来预测，对于一个给定的像素，周围的八个邻居是否与它相连。考虑到中间像素之间的成对连通性，我们可以得到最终显著的分割结果。
- 我们说明了连接建模可以是一个很好的替代传统分割任务的显著分割。将我们的方法与训练为分割任务的相同架构进行比较，我们发现ConnNet在广泛的基准数据集上优于分割网络。
- 我们开发了一种显著对象分割的方法，该方法在几个数据集上优于以前的最先进的方法，但也由于其简单性，大大减少了推理时间。我们还将此思想扩展到实例级显著性分割的任务中。
- 我们研究了不同的像素连通性建模方法对整体性能的影响。
相关资料链接
http://mmcheng.net/paperreading/https://github.com/jiwei0921/SOD-CNNs-based-code-summary-