|
1. Visual Saliency Based on Multiscale Deep Features
原文链接：https://arxiv.org/pdf/1503.08663.pdf翻译：https://blog.csdn.net/weixin_40740160/article/details/89005994题目：基于多尺度深度特征的视觉显著性作者：Guanbin Li，Yizhou Yu发表：2015年4月，arxiv方法概要：
1. 先对图像进行超像素分割
2. 多尺度特征提取，共分为三个尺度，超像素、超像素邻域、全局，超像素与超像素邻域均填充成矩形区域
3. 将三个尺度的矩形区域分别放入一个五层的卷积网络，得到三个尺度的特征向量
4. 将三个尺度的特征向量顺序拼接传入两层的全连接网络，计算得到当前超像素块的显著性值
5. 按照多个不同的等级进行多次分割，然后可以得到多个尺度的显著图，文章中用了15个不同的等级分割
6. 最后显著图中每个像素的显著值是多个等级的显著值的均值
6. 后处理。为了增强空间连续性，做了一定的平滑处理，也是使用最小代价函数的方式进行训练得出
网络结构：
已知问题
1. 耗时，对一张400x300的图像进行显著性检测需要8s
2. 复杂，需要对图片进行多个尺度的分割
3. 没有足够充分的保留全局特征，自身的特征向量是完全脱离全局特征得到的
CVPR2015
1. Saliency Detection by Multi-Context Deep Learning
原文链接：openaccess翻译：https://blog.csdn.net/qq_26569761/article/details/49053573题目：基于多上下文深度学习的显著性检测方法作者：Rui Zhao，等发表：CVPR2015方法概要：
1. 上下文取全局上下文和局部上下文，先使用SLIC超像素分割
2. 全局上下文以一个超像素为中心，包含整张图片，然后进行扩展，再降采样成227×227×3的图片
3. 局部上下文同样以该超像素为中心选全局上下文的三分之一大小，放缩成227×227×3
4. 分别放入五层卷积网络中进行计算中心超像素的显著性，最后将不同尺度上下文中的显著性进行融合
网络结构
已知问题
1. 重复处理，每次要对较大的图片区域处理，但是最终得到的只是中心超像素的显著性
2. Deep networks for saliency detection via Local Estimation and Global Search
原文链接：openaccess翻译：https://blog.csdn.net/weixin_40740160/article/details/83786695题目：基于局部估计和全局搜索的显著性检测深度网络作者：Lijun Wang，等发表：CVPR2015方法概要：
1. DNN-L：是一个包含三层卷积层，三层全连接层的深度网络
2. 滑动窗口裁剪51×51的图片区域，步长为10，标记和筛选后放入DNN-L进行局部估计
3. 细化（没细看）
4. DNN-G由6个全连接层组成。用来生成最终的显著图
网络结构
已知问题
1. 仍然存在大量的重复处理部分
3. Traditional Saliency Reloaded:A Good Old Model in New Shape
原文链接：openaccess翻译：题目：作者：发表：CVPR2015方法概要：传统方法
4. Saliency Detection via Cellular Automata
原文链接：openaccess翻译：题目：作者：发表：CVPR2015方法概要：元胞自动机
5. Encoding based Saliency Detection for Videos and Images
原文链接：openaccess翻译：题目：作者：发表：CVPR2015方法概要：
6. Saliency Propagation from Simple to Difficult
原文链接：翻译：题目：作者：发表：CVPR2015方法概要：
7. Robust Saliency Detection via Regularized Random Walks Ranking
原文链接：翻译：题目：作者：发表：CVPR2015方法概要：
8. Co-saliency Detection via Looking Deep and Wide
原文链接：翻译：题目：作者：发表：CVPR2015方法概要：联合显著性
9. A Weighted Sparse Coding Framework for Saliency Detection
原文链接：翻译：题目：作者：发表：CVPR2015方法概要：
10. Salient Object Detection via Bootstrap Learning
原文链接：翻译：题目：作者：发表：CVPR2015方法概要：
CVPR2016
1. A Deeper Look at Saliency:Feature Contrast, Semantics, and Beyond
原文链接：翻译：题目：作者：发表：CVPR2016方法概要：综述性文章/理论研究
2. GraB: Visual Saliency via Novel Graph Model and Background Priors
原文链接：翻译：题目：作者：发表：CVPR2016方法概要：传统方法/背景先验
3. Shallow and Deep Convolutional Networks for Saliency Prediction
原文链接：翻译：题目：作者：发表：CVPR2016方法概要：视觉注视点预测、卷积网络
4. Deep Saliency with Encoded Low level Distance Map and High Level Features
原文链接：翻译：题目：作者：发表：CVPR2016方法概要：
5. DHSNet: Deep Hierarchical Saliency Network for Salient Object Detection
原文链接：翻译：题目：作者：发表：CVPR2016方法概要：
6. Recurrent Attentional Networks for Saliency Detection
原文链接：翻译：题目：作者：发表：CVPR2016方法概要：
7. Saliency Unified: A Deep Architecture for simultaneous Eye Fixation Predictionand Salient Object Segmentation
原文链接：翻译：题目：作者：发表：CVPR2016方向：视觉注视点与显著目标分割方法概要：
8. Real-Time Salient Object Detection with a Minimum Spanning Tree
原文链接：翻译：题目：作者：发表：CVPR2016方向：方法概要：传统方法
9. Local Background Enclosure for RGB-D Salient Object Detection
原文链接：翻译：题目：作者：发表：CVPR2016方向：RGB-D图像方法概要：传统方法
CVPR2018
https://blog.csdn.net/StupidAutofan/article/details/80915535
26. Progressive Attention Guided Recurrent Network for Salient Object Detection
原文链接：翻译：题目：作者：发表：CVPR2018方向：方法概要：
27. Salient Object Detection Driven by Fixation Prediction
原文链接：翻译：题目：作者：发表：CVPR2018方向：方法概要：
28. A Bi-directional Message Passing Model for Salient Object Detection
原文链接：翻译：题目：作者：发表：CVPR2018方向：方法概要：
29. Progressively Complementarity-Aware Fusion Network for RGB-D Salient Object Detection
原文链接：翻译：题目：作者：发表：CVPR2018方向：方法概要：
30. Revisiting Salient Object Detection! Simultaneous Detection, Ranking, and Subitizing of Multiple Salient Objects
原文链接：翻译：题目：作者：发表：CVPR2018方向：方法概要：
31. Flow Guided Recurrent Neural Encoder for Video Salient Object Detection
原文链接：翻译：题目：作者：发表：CVPR2018方向：视频显著性方法概要：
32. PiCANet: Learning Pixel-wise Contextual Attention for Saliency Detection
原文链接：翻译：题目：作者：发表：CVPR2018方向：方法概要：
33. Detect Globally, Refine Locally: A Novel Approach to Saliency Detection
原文链接：翻译：题目：作者：发表：CVPR2018方向：方法概要：
34. Revisiting Video Saliency: A Large-scale Benchmark and a New Model
原文链接：翻译：题目：作者：发表：CVPR2018方向：视频显著性方法概要：
35. Deep Unsupervised Saliency Detection: A Multiple Noisy Labeling Perspective
原文链接：翻译：题目：作者：发表：CVPR2018方向：方法概要：
36. Going from Image to Video Saliency: Augmenting Image Salience with DynamicAttentional Push
原文链接：翻译：题目：作者：发表：CVPR2018方向：方法概要：
CVPR2019
https://blog.csdn.net/sheng4204/article/details/108963780
ICCV2015
1. Generic Promotion of Diffusion-Based Salient Object Detection
2. HARF: Hierarchy-associated Rich Features for Salient Object Detection
3. Minimum Barrier Salient Object Detection at 80 FPS
4. A Data-driven Metric for Comprehensive Evaluation of Saliency Models
视觉注视点
5. SALICON: Reducing the Semantic Gap in Saliency Prediction by Adapting Deep Neural Networks
6. A Self-paced Multiple-instance Learning Framework for Co-saliency Detection
7. Learning to Predict Saliency on Face Images
脸部的视觉注视点
ICCV2017
1. Learning Uncertain Convolutional Features for Accurate Saliency Detection
2. Learning Gaze Transitions from Depth to Improve Video Saliency Estimation
3. Saliency Pattern Detection by Ranking Structured Trees
4. Generalized orderless pooling performs implicit salient matching
5. Amulet: Aggregating Multi-level Convolutional Features for Salient Object Detection
6. Look, Perceive and Segment: Finding the Salient Objects in Images via Two-stream Fixation-Semantic CNNs
7. Delving into Salient Object Subitizing and Detection
8. Supervision by Fusion: Towards Unsupervised Learning of Deep Salient Object Detector
9. A Stagewise Refinement Model for Detecting Salient Objects in Images
ICCV2019
1.Employing Deep Part-Object Relationships for Salient Object Detection
原文链接：翻译：题目：作者：发表：ICCV2019方向：方法概要：
2. Structured Modeling of Joint Deep Feature and Prediction Refinement for Salient Object Detection
原文链接：翻译：题目：作者：发表：ICCV2019方向：方法概要：
3. Selectivity or Invariance: Boundary-aware Salient Object Detection
原文链接：翻译：题目：作者：发表：ICCV2019方向：方法概要：
4. Towards High-Resolution Salient Object Detection
5. Stacked Cross Refinement Network for Edge-Aware Salient Object Detection
6. Motion Guided Attention for Video Salient Object Detection
7. Semi-Supervised Video Salient Object Detection Using Pseudo-Labels
8. EGNet: Edge Guidance Network for Salient Object Detection
9. Optimizing the F-measure for Threshold-free Salient Object Detection
10. PointCloud Saliency Maps
11. Deep Learning for Light Field Saliency Detection
12. TASED-Net: Temporally-Aggregating Spatial Encoder-Decoder Network for Video Saliency Detection
13. Joint Learning of Saliency Detection and Weakly Supervised Semantic Segmentation
14. Depth-induced Multi-scale Recurrent Attention Network for Saliency Detection
方向：RGB-D
|