迈向一的成功率：实时无约束显著目标检测
计算机视觉与模式识别
2017-08-03 v2
摘要
在这项工作中，我们提出了一种使用深度卷积神经网络进行图像中无约束显著目标检测的高效且有效的方法。我们的网络不是生成数千个候选边界框并对其进行细化，而是直接学习生成包含确切显著目标数量的显著性图。在训练期间，我们将真实矩形框转换为 Gaussian 分布，以更好地捕获关于单个显著目标的 ROI。在推理期间，网络预测以显著目标为中心并具有适当协方差的 Gaussian 分布，由此可以轻松推断出边界框。值得注意的是，我们的网络在统一框架内的单次过程中，同时执行了无像素级标注的显著性图预测、无目标提议的显著目标检测以及显著目标数量感知。大量实验表明，我们的方法在各种数据集上以大幅优势优于现有方法，并且在推理期间使用 VGG16 网络在单 GPU 上达到了 100 fps 以上的速度。
引用
@article{arxiv.1708.00079,
title = {Towards the Success Rate of One: Real-time Unconstrained Salient Object Detection},
author = {Mahyar Najibi and Fan Yang and Qiaosong Wang and Robinson Piramuthu},
journal= {arXiv preprint arXiv:1708.00079},
year = {2017}
}