Select Language

AI社区

公开数据集

HKU-IS显性目标对比检测数据集

HKU-IS显性目标对比检测数据集

348.68M
482 浏览
1 喜欢
4 次下载
0 条讨论
Action/Event Detection Classification

用于突出物体检测的深度对比度学习由于使用深度卷积神经网络(CNN)提取的强大特征,突出物体检测最近取得了实质性进展。然而,......

数据结构 ? 348.68M

    Data Structure ?

    * 以上分析是由系统提取分析形成的结果,具体实际数据为准。

    README.md

    用于突出物体检测的深度对比度学习

    由于使用深度卷积神经网络(CNN)提取的强大特征,突出物体检测最近取得了实质性进展。然而,现有的基于CNN的方法是在斑块级而不是像素级进行操作。由此产生的显著性地图通常是模糊的,尤其是在显著性物体的边界附近。此外,图像斑块被视为独立的样本,即使它们是重叠的,也会在计算和存储中产生大量的冗余。在本文中,我们提出了一个端到端的深度对比网络来克服上述的限制。我们的深度网络由两个互补的部分组成,一个是像素级的完全卷积流,一个是分段的空间汇集流。第一个流直接从输入图像中产生一个具有像素级精度的显著性地图。第二个数据流非常有效地提取分段特征,并更好地模拟物体边界上的显著性不连续现象。最后,一个完全连接的CRF模型可以被选择性地纳入,以改善这两个流的融合结果中的空间一致性和轮廓定位。实验结果表明,我们的深度模型明显改善了技术水平。

    Two streams of our deep contrast network

    Results


    Visual comparison of saliency maps generated from state-of-the-art methods, including our DCL and DCL+. The ground truth (GT) is shown in the last column. DCL+ consistently produces saliency maps closest to the ground truth.

    Quantitative Comparison



    Comparison of precision-recall curves of 11 saliency detection methods on 3 datasets. Our MDF, DCL and DCL+ (DCL with CRF) consistently outperform other methods across all the testing datasets.

    Comparison of precision, recall and F-measure (computed using a per-image adaptive threshold) among 11 different methods on 3 datasets.

    Comparison of quantitative results including maximum F-measure (larger is better) and MAE (smaller is better). The best three results are shown in red, blue, and green , respectively.

    ×

    帕依提提提温馨提示

    该数据集正在整理中,为您准备了其他渠道,请您使用

    注:部分数据正在处理中,未能直接提供下载,还请大家理解和支持。
    暂无相关内容。
    暂无相关内容。
    • 分享你的想法
    去分享你的想法~~

    全部内容

      欢迎交流分享
      开始分享您的观点和意见,和大家一起交流分享.
    所需积分:20 去赚积分?
    • 482浏览
    • 4下载
    • 1点赞
    • 收藏
    • 分享