用于显著目标检测的深度对比学习
计算机视觉与模式识别
2016-03-08 v1
摘要
显著目标检测近期因使用深度卷积神经网络 (CNNs) 提取的强大特征而取得了实质性进展。然而，现有基于 CNN 的方法在块级别而非像素级别上操作。得到的显著图通常模糊，尤其在显著目标边界附近。此外，图像块即使重叠也被视为独立样本，导致计算与存储上的显著冗余。在这篇 CVPR 2016 论文中，我们提出一个端到端深度对比网络以克服上述局限。我们的深度网络由两个互补组件构成：一个像素级全卷积流和一个段级空间池化流。第一流直接从输入图像生成具有像素级精度的显著图。第二流非常高效地提取段级特征，并更好地对目标边界沿线的显著性不连续建模。最后，可选择性地引入全连接 CRF 模型，以改进这两流融合结果中的空间相干性与轮廓定位。实验结果表明我们的深度模型显著改进了当前最佳水平。
引用
@article{arxiv.1603.01976,
title = {Deep Contrast Learning for Salient Object Detection},
author = {Guanbin Li and Yizhou Yu},
journal= {arXiv preprint arXiv:1603.01976},
year = {2016}
}
备注
To appear in CVPR 2016