用于显著性预测的端到端卷积网络
计算机视觉与模式识别
2015-07-07 v1 机器学习
神经与进化计算
摘要
图像中显著性区域的预测传统上通过基于神经科学原理的手工设计特征来解决。然而，本文通过训练一个卷积网络，以完全数据驱动的方法处理该问题。学习过程被形式化为一个损失函数的最小化，该函数度量预测的显著性图与提供的真实值之间的欧氏距离。近期大型显著性预测数据集的发布，为训练一个既快速又准确的非深层架构提供了充足数据。本文中的卷积网络名为 JuntingNet，在 LSUN 2015 显著性预测挑战赛中以所有考量指标上的优越性能获胜。
引用
@article{arxiv.1507.01422,
title = {End-to-end Convolutional Network for Saliency Prediction},
author = {Junting Pan and Xavier Giró-i-Nieto},
journal= {arXiv preprint arXiv:1507.01422},
year = {2015}
}
备注
Winner of the saliency prediction challenge in the Large-scale Scene Understanding (LSUN) Challenge in the associated workshop of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2015