用于显著性预测的深度多层网络
计算机视觉与模式识别
2017-07-19 v2
摘要
本文提出了一种用于显著性预测的新型深度架构。当前显著性预测的 SOTA 模型采用全卷积网络，对从最后一个卷积层提取的特征进行非线性组合以预测显著性图。我们提出了一种架构，取而代之地组合从卷积神经网络（CNN）不同层级提取的特征。我们的模型由三个主要模块组成：一个特征提取 CNN，一个特征编码网络（对低层和高层特征图进行加权），以及一个先验学习网络。我们在两个公开基准数据集上将我们的解决方案与 SOTA 显著性模型进行了比较。结果表明，我们的模型在 SALICON 数据集（目前最大的公开显著性预测数据集）上的所有评估指标上均优于其他模型，并在 MIT300 基准上取得了有竞争力的结果。
引用
@article{arxiv.1609.01064,
title = {A Deep Multi-Level Network for Saliency Prediction},
author = {Marcella Cornia and Lorenzo Baraldi and Giuseppe Serra and Rita Cucchiara},
journal= {arXiv preprint arXiv:1609.01064},
year = {2017}
}
备注
International Conference on Pattern Recognition (ICPR), 2016