DeepSaliency：用于显著目标检测的多任务深度神经网络模型
计算机视觉与模式识别
2016-08-24 v2
摘要
显著目标检测中的一个关键问题是如何以数据驱动的方式有效建模显著目标的语义属性。本文中，我们提出了一种基于全卷积神经网络(FCNN)的多任务深度显著性模型，该网络具有全局输入(完整原始图像)和全局输出(完整显著性图)。原则上，所提出的显著性模型采用数据驱动策略来编码底层显著性先验信息，然后建立多任务学习方案以探索显著性检测与语义图像分割之间的内在关联。通过来自这两个相关任务的协同特征学习，共享的全卷积层为对象感知生成有效特征。此外，它能够利用全卷积层在不同层次上捕获显著对象的语义信息，从而以极大的特征冗余降低来探究显著目标检测的特征共享属性。最后，我们提出一种图拉普拉斯正则化非线性回归模型用于显著性精炼。实验结果证明了我们的方法相较于 state-of-the-art 方法的有效性。
引用
@article{arxiv.1510.05484,
title = {DeepSaliency: Multi-Task Deep Neural Network Model for Salient Object Detection},
author = {Xi Li and Liming Zhao and Lina Wei and Ming-Hsuan Yang and Fei Wu and Yueting Zhuang and Haibin Ling and Jingdong Wang},
journal= {arXiv preprint arXiv:1510.05484},
year = {2016}
}
备注
To appear in IEEE Transactions on Image Processing (TIP), Project Website: http://www.zhaoliming.net/research/deepsaliency