乡下人产国偷v产偷v自拍,国产午夜片在线观看,婷婷成人亚洲综合国产麻豆,久久综合给合久久狠狠狠9

  • <output id="e9wm2"></output>
    <s id="e9wm2"><nobr id="e9wm2"><ins id="e9wm2"></ins></nobr></s>

    • 分享

      凌海濱等人最新《深度學習顯著性目標檢測》綜述,帶你全面了解顯著性目標檢測方法

       LibraryPKU 2019-04-23

      【導讀】顯著性目標檢測(Salient Object Detection)最近幾年成了研究熱點,每年計算機視覺三大會議(ICCV, CVPR, ECCV)上的相關的文章不少,這篇新出綜述首次以深度學習技術為核心對SOD進行的全面綜述。作者首先從網(wǎng)絡架構、監(jiān)督級別等多個不同的角度對基于深度學習的顯著性目標檢測(SOD)模型進行仔細的回顧和組織。然后,總結了流行的SOD數(shù)據(jù)集和評估標準,并編寫了一個覆蓋主要SOD方法的全面性能的基準。最后,討論了顯著性目標檢測(SOD)存在的一些問題和挑戰(zhàn),并指出了今后可能的研究方向。并且討論相關數(shù)據(jù)集和源代碼也將會Open。

      題目:Salient Object Detection in the Deep Learning Era: An In-Depth Survey

      作者:Wenguan Wang, Qiuxia Lai, Huazhu Fu, Jianbing Shen, Haibin Ling

      【摘要】圖像顯著性目標檢測(SOD)作為計算機視覺中的一個重要問題,近年來受到越來越多研究者的關注。毫無疑問,顯著性目標檢測(SOD)的最新進展主要是由基于深度學習的解決方案(稱為深度SOD)主導的,并反映在數(shù)百篇已發(fā)表的論文中。為了加深對深度SOD的理解,本文從算法分類到未解決的開放問題等各個方面進行了全面的調研。特別地,我們首先從網(wǎng)絡架構、監(jiān)督級別、學習范式和目標/實例級別檢測等不同角度回顧了深度顯著性目標檢測(SOD)算法。然后,我們總結現(xiàn)有的SOD評估數(shù)據(jù)集和指標。然后,在前人工作的基礎上,仔細編制了SOD方法的基準測試結果,并對比較結果進行了詳細的分析。此外,我們通過構造一個新的具有豐富特征標注的顯著性目標檢測(SOD)數(shù)據(jù)集,研究了不同特征下SOD算法的性能,這在以前的研究中還很少涉及。我們首次在該領域進一步分析了深層SOD模型的魯棒性和可移植性。我們還研究了輸入擾動的影響,以及現(xiàn)有SOD數(shù)據(jù)集的泛化和hardness硬度。最后,討論了顯著性目標檢測(SOD)存在的一些問題和挑戰(zhàn),并指出了今后可能的研究方向。所有顯著性預測圖、我們構建的帶標注的數(shù)據(jù)集和用于評估的代碼都可以在https://github.com/wenguanwang/SODsurvey上獲得。

      參考鏈接:

      https:///abs/1904.09146

      代碼鏈接:

      https://github.com/wenguanwang/SODsurvey

      請關注專知公眾號(點擊上方藍色專知關注)

      后臺回復“顯著性目標檢測綜述” 就可以獲取最新論文的下載鏈接~ 

      引言

      顯著性目標檢測(SOD)是為了突出圖像中顯著的目標區(qū)域。SOD不同于起源于認知和心理學研究領域的凝視點預測(FP),它被廣泛應用于不同領域的應用。在計算機視覺中,SOD的采樣應用包括圖像理解[1]、[2]、圖像描述生成(image captioning)[3]-[5]、目標檢測[6]、[7],無監(jiān)督視頻目標分割[8]、[9],語義分割[10]-[12],行人重識別[13]、[14]等。在計算機圖形學中,SOD被廣泛應用于非真實感渲染[15]、[16]、圖像自動裁剪[17]、圖像重定向[18]、[19]、視頻摘要[20]、[21]等任務。在機器人領域的示例應用,如人機交互[22]、[23]和目標發(fā)現(xiàn)[24]、[25]的場景理解也受益于SOD。

      近年來,隨著深度學習技術的復興,顯著性目標檢測(SOD)得到了顯著的改善,這要歸功于強大的表示學習方法。自2015年首次推出[26]-[28]以來,基于深度學習的SOD(或稱深度SOD)算法很快就顯示出優(yōu)于傳統(tǒng)解決方案的性能,并一直占據(jù)各種基準測試排行榜的榜首。另一方面,已經(jīng)有數(shù)百篇關于深度SOD的研究論文發(fā)表,這使得它對于有效地了解當前的技術水平變得非常重要。

      在本文中,作者提供了深度學習時代的顯著性目標檢測的全面深入調查。綜述旨在全面涵蓋深度SOD和相關問題的各個方面,從算法分類到未解決的開放問題。除了對現(xiàn)有的SOD方法和數(shù)據(jù)集進行分類研究外,還研究了一些重要的、但在很大程度上尚未得到充分研究的問題,如SOD中特征的影響,以及SOD模型的魯棒性和可移植性。對于這些新穎的研究,作者構建了一個新的數(shù)據(jù)集和標注,并在前人研究的基礎上推導出baselines。所有顯著性預測圖、構建的帶標注的數(shù)據(jù)集和用于評估的代碼都可以在https://github.com/wenguanwang/SODsurvey上獲得。

      圖1 顯著性目標檢測(SOD)的簡要年表。最早的SOD模型可以追溯到Liu et al. [29]和Achanta et al. [30]。2015年,SOD模型首次采用深度學習技術。有關更詳細的描述,請參見原文。

      表1 總結之前的工作。

      在本文中,作者的貢獻總結如下:

      從多個角度對深度SOD模型進行系統(tǒng)回顧。根據(jù)網(wǎng)絡架構、監(jiān)督級別、學習范式等對現(xiàn)有的深度SOD模型進行分類和總結。所提出的分類旨在幫助研究人員更深入地了解SOD在深度學習時代的關鍵特征。

      一種基于屬性特征的深度SOD模型性能評價方法。并提供了考慮對象類別、場景類別和挑戰(zhàn)因素的帶標注的屬性特征。在此基礎上,對六種常用的SOD模型的性能進行了評估,并討論了這些屬性特征對不同算法的影響以及深度學習技術帶來的改進。

      關于輸入擾動影響的討論。研究了不同類型的圖像擾動對六種典型SOD算法的影響。這項研究有望為噪音頻繁出現(xiàn)的實際應用提供有用的建議。

      首次對SOD模型進行對抗攻擊分析。在諸如識別這樣的典型任務中,DNA被證明非常容易受到視覺上難以察覺的adversarial attacks,盡管這種attack如何影響SOD模型仍未被研究。文章為這一問題的首次研究提供了精心設計baseline attacks和評估,這可以作為未來研究深度SOD模型的魯棒性和可移植性的baseline。

      跨數(shù)據(jù)集綜合研究。SOD數(shù)據(jù)集的采集往往帶有一定的偏差[41],因此,采用代表性的基線模型對現(xiàn)有的SOD數(shù)據(jù)集進行跨數(shù)據(jù)集泛化研究。

      對未決問題和未來方向的概述。文章也深入研究了模型設計、數(shù)據(jù)集收集、SOD與其他主題的關系等幾個基本問題,為今后的研究指明了方向。

      表2 常用SOD方法綜述。

      圖2。過去SOD模型的分類。(a)基于MLP方法; (b)-(f)基于FCN的方法,主要使用(b) single-stream網(wǎng)絡、(c) multi-stream網(wǎng)絡、(d) side-out fusion網(wǎng)絡、(e) bottom-up/top-down網(wǎng)絡和(f) branch網(wǎng)絡架構。(g)基于混合網(wǎng)絡的方法。

      表3 統(tǒng)計流行的SOD數(shù)據(jù)集。

      表4 在6個著名數(shù)據(jù)集上對29個最先進的深度SOD模型和3個性能最好的經(jīng)典SOD方法的基準測試結果。

      圖4 從6個SOD數(shù)據(jù)集中隨機選取圖像作為混合基準的樣本圖像。顯著的區(qū)域被一致地突出顯示。列出了相應的屬性。有關更詳細的描述,請參見5.2節(jié)。

      表7 基于F-measure的上下100幅圖像屬性統(tǒng)計。(.)表示具有特定屬性的圖像的百分比。ND-avg表示三種最優(yōu)啟發(fā)式模型的平均結果:HS[34]、DRFI[48]和wCtr[35]。D-avg表示三個表現(xiàn)最好的深度模型的平均結果:DGRL[88]、PAGR[89]和PiCANet[39]。(兩個最大的變化,紅色為正,藍色為負;)

      結論

      本文是首次以深度學習技術為核心對SOD進行的全面綜述。作者首先從網(wǎng)絡架構、監(jiān)督級別等多個不同的角度對基于深度學習的顯著性目標檢測(SOD)模型進行仔細的回顧和組織。然后,總結了流行的SOD數(shù)據(jù)集和評估標準,并編寫了一個覆蓋主要SOD方法的全面性能的基準。

      所有顯著性預測圖、我們構建的數(shù)據(jù)集、標注和用于評估的代碼都將會Open。由于深度學習技術的驚人發(fā)展,SOD取得了顯著的進步,但仍有很大的改進空間。我們期望這項調查將提供一種有效的方式來了解SOD的現(xiàn)狀,更重要的是,可以為未來的SOD探索提供見解。

        本站是提供個人知識管理的網(wǎng)絡存儲空間,所有內容均由用戶發(fā)布,不代表本站觀點。請注意甄別內容中的聯(lián)系方式、誘導購買等信息,謹防詐騙。如發(fā)現(xiàn)有害或侵權內容,請點擊一鍵舉報。
        轉藏 分享 獻花(0

        0條評論

        發(fā)表

        請遵守用戶 評論公約

        類似文章 更多