用于动态显著性预测的时空显著性网络
计算机视觉与模式识别
2017-11-16 v2
摘要
针对静态图像的计算显著性模型近年来获得了显著关注。另一方面，从视频中进行显著性预测却相对较少受到该领域的关注。受此启发，在本工作中，我们研究了深度学习在动态显著性预测中的应用，并提出了所谓的时空显著性网络。我们模型的关键在于双流网络架构，其中我们研究了不同的融合机制以整合空间与时间信息。我们在 DIEM 和 UCF-Sports 数据集上评估了我们的模型，并展示了与现有 SOTA 模型相比极具竞争力的结果。我们还通过利用从 MIT300 数据集中若干静态图像预测出的光流图，在这些图像上进行了一些实验。我们的结果表明，以这种方式考虑固有的运动信息有助于静态显著性估计。
引用
@article{arxiv.1607.04730,
title = {Spatio-Temporal Saliency Networks for Dynamic Saliency Prediction},
author = {Cagdas Bak and Aysun Kocak and Erkut Erdem and Aykut Erdem},
journal= {arXiv preprint arXiv:1607.04730},
year = {2017}
}