具有编码低层距离图与高层特征的深度显著性
计算机视觉与模式识别
2016-04-20 v1
摘要
显著性检测的最新进展利用深度学习获取高级特征以检测场景中的显著区域。这些进展展示了比以往利用手工低层特征进行显著性检测的工作更优的结果。在本文中，我们证明手工特征可以提供互补信息，以增强仅利用高层特征的显著性检测性能。我们的方法在统一的深度学习框架下利用高层和低层特征进行显著性检测。高层特征使用VGG-net提取，低层特征与图像的其他部分比较形成低层距离图。该低层距离图随后使用具有多个1X1卷积和ReLU层的卷积神经网络(CNN)进行编码。我们将编码后的低层距离图与高层特征拼接，并连接到全连接神经网络分类器以评估查询区域的显著性。我们的实验表明，该方法能进一步提升最先进的基于深度学习的显著性检测方法的性能。
引用
@article{arxiv.1604.05495,
title = {Deep Saliency with Encoded Low level Distance Map and High Level Features},
author = {Gayoung Lee and Yu-Wing Tai and Junmo Kim},
journal= {arXiv preprint arXiv:1604.05495},
year = {2016}
}
备注
Accepted by IEEE Conference on Computer Vision and Pattern Recognition(CVPR) 2016. Project page: https://github.com/gylee1103/SaliencyELD