EGNet:EdgeGuidanceNetworkforSalientObjectDetectionJia-XingZhao,Jiang-JiangLiu,Deng-PingFan,YangCao,Ju-FengYang,Ming-MingCheng简述：本文是将提取显著物体结构特征和提取显著边缘特征相互融合互补，来实现显著图像检测及图像提取，并利用loss函数对边缘信息进行处理(如IoUloss

同时为了发现显著性检测和语义分析之间的内在联系，提出了一个多任务的学习策略。通过对这两个相关任务的协同特征学习，共享的全卷

原文：https://www.jianshu.com/p/11dbd7add4b4这里还有显著性检测综述的文章：https://blog.csdn.net/qq_32493539/article/details

显著性检测FT算法来自文献：《Frequency-tunedSalientRegionDetection》FT算法由Achanta等提出，利用颜色特征的中央-周边算子来得到显著图。

详见点击打开链接【算法】1、全局差异矩阵的融合首先用SLIC超像素分割把图像分成N个小的超像素点，应用像素点的平均颜色特征和平均坐标来描述每一个超像素点。为获得更优化的背景种子，基于图像边缘点的CIELAB颜色特征，用K-means算法将图像的边缘分成K类，K=3。属于第k类的超像素点总数为，k=1,2，...，K。基于K个不同的类，构建K个不同的全局颜色差异图（GCD）。在GCD矩阵中，元素表示

该方法为程明明老师2008年发表在cvpr上的文章GlobalContrastbasedSalientRegionDetection中提出的（详细算法见原文点击打开链接）。该方法只用到了颜色特征。一个像素的显著值是通过与图像中的所有其它像素的色差来定义的。比如方程1：其中D(Ik,Ii)是空间L*a*b中两个像素的颜色距离度量，上式经过扩展像素等级变为方程2：其中N为图像I中的像素数量。由于测量没

简介现有的视觉显著性检测模型主要分为两类：生物学模型的计算模型。生物学模型从边的方向、颜色、光照等特征中寻求视觉显著性，通常是基于特征集合上的中央-四周不同的框架。

TongZhang2,3,YuchaoDai†1,MehrtashHarandi2,3,andRichardHartley21中国西北工业大学，戴玉超教授；2澳大利亚国立大学；大概思路：（1）一方面，当前的深度显著性检测模型的成功

1.参考文献//IttiL,KochC,NieburE.AModelofSaliency-BasedVisualAttentionforRapidSceneAnalysis[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,1998,20(11):1254-1259.//IttiL,KochC.Computationalmodelli

提出的显著性模型采用数据驱动策略对潜在显着性先验信息进行编码，然后建立多任务学习方案，探索显著性检测与语义图像分割之间的内在相关性。

在显著性检测中，利用背景先验进行检测是一种有效的方式。目前大多数方法是基于图像区域是否与图像边缘关联来判断当前区域是否可以作为背景先验信息，这样的方法很容易引入前景噪声。

imagesaliencydetection译为图像显著性检测什么是显著性检测（saliencydetection）：====什么是显著性（Statisticalsignificance）：别称：统计显著性

calcNSSscore.mfunction[score]=calcNSSscore(salMap,eyeMap)%calcNSSscoreCalculateNSSscoreofasalmap%Usage:[score]=calcNSSscore(salmap,eyemap)%%score:anarrayofscoreofeacheyefixation%salmap:saliencymap.wil

前一篇文章是做显著性的，最近很关注这个方向，CVPR2015的也出了，特意整理一下，简单的分析以后有空再加：1.“TraditionalSaliencyReloaded:AGoodOldModelinNewShape”，SimoneFrintrop,ThomasWerner,GermánMartinGarcia。DOG高斯金字塔得重新包装，再次提醒很多老的经典方法可以引入新的概念，也可以达到一个很

显著性检测近年来引起了广泛的研究兴趣。这种日益流行的原因在于在各种视觉任务(如图像分割、目标检测、视频摘要和压缩等)中有效地使用了这些模型。显著性模型大致可分为两类：人眼注视预测和显著目标检测。

本文是显著性检测的开山之作，自1998年被发表，引用量接近8000次。这篇论文提出了一个视觉注意系统，灵感来自于早期灵长类动物视觉系统的神经元结构和行为。多尺度图像特征组合成一个单一的地形显著图。

Precision，Recall，AUC，AP，mAP，DSI，VOE，RVD等等；本文旨在介绍机器学习&图像分割的模型评价指标，包括完整代码，持续更新中......码字不易，若有帮助，恳请点赞问题1：在显著性检测方面

http://blog.csdn.net/jxlijunhao/article/details/129128951、显著目标检测介绍显著性检测最近几年成了研究热点，从计算机视觉三大会议（ICCV,CVPR

Pixel-wiseContextualAttentionnetwork（PiCANet），来学习每个像素的信息性上下文特征，然后将其嵌入到UNet中，PiCANet整合全局上下文和多尺度的局部上下文来提升显著性检测性能

序言：写一些关于显著性检测的归纳与理解，重在归纳与分享。本文主要探讨bottomup模型，Topdown模型研究较少，且难以解释。若有纰漏，欢迎读者批评指正！

可以联系到图像显著性检测的相关想法，但是不完全一样。大部分都是视频中的应用，视频中的背景建模可以分为动态背景和

AI视野·今日CS.CV计算机视觉论文速览Mon,28Oct2019Totally47papers上期速览✈更多精彩请移步主页Interesting:联合显著性检测,提出了一种从单张图像中检测出具有相似语义属性的物体显著性的的方法

3594432.html，并进行了部分更新修改~目录如下：1.特征提取FeatureExtraction;2.图像分割ImageSegmentation;3.目标检测ObjectDetection;4.显著性检测

最近在研究显著性检测，学着使用pytorch框架，以下纯属个人见解，如有错误请指出（一）自定义数据读取首先官方案例：PyTorch读取图片，主要是通过Dataset类，所以先简单了解一下Dataset类

1.《AttentiveFeedbackNetworkforBoundary-AwareSalientObjectDetection》网络结构如下：同样是FCN-based（或Encoder-Decoder）网络模型。Encoder给出基于全局信息的预测（由GPM模块实现），之后Decoder不断修正优化输出。创新点依然在特征融合的方式，采用AttentiveFeedbackModule(AFM)

纪念第一次写博客的我想法很简单，记录看过的论文总结出优劣以供自己以后有想法的时候随时查阅也算是不错的研究生生活的开端花了一星期看了比较经典，而且是一个显著性检测的2D算法——DHSnet（DeepHierarchicalSaliencyNetworkforSalientObjectDetection

这是一篇来自于阿联酋的研究所与北京理工大学（一作二作）联合出品的2D显著性检测文章从题目可以看出作者使用金字塔的注意力机制和显著边缘来进行显著性检测的其主要的思路在于在传统的top-down的CNNs模式下

Shigematsu_Learning_RGB-D_Salient_ICCV_2017_paper.pdf研究背景深度神经网络因较可以较好的将自顶向下的特征和低维度特征结合起来，因此在对于RGB图像的显著性检测上取得了较好的表现

概述视觉显著性检测(Visualsaliencydetection)指通过智能算法模拟人的视觉特点，提取图像中的显著区域(即人类感兴趣的区域)。

文章目录一、介绍二、深度显著目标检测模型三、显著目标检测数据集四、评估指标五、当前最先进的VSOD模型在数据集上的评测结果六、结论参考文献一、介绍显著性检测通常分为眼动点检测和显著目标检测。

目前很多流行方法都是引入Attention（注意力机制），但是本文是基于U型结构的特征网络研究池化对显著性检测的改进，具

图像/视觉显著性检测技术发展情况梳理(SaliencyDetection、VisualAttention）Sason@CSDN当前更新日期：2013.08.041.早期C.Koch与S.Ullman的研究工作

显著性对象检测综述参考：http://mmcheng.net/zh/paperreading/一、程明明等人的论文：SalientObjectDetection:ASurve（简单归纳了文章中的我认为比较重要的部分）该论文旨在全面回顾突出显示目标检测的最新进展，并将其与其他密切相关领域（如通用场景分割，目标建议生成以及固定预测的显著性）相关联。主要内容涉及i）根源，关键概念和任务，ii）核心技术和

BASNet:Boundary-AwareSalientObjectDetection简述：对于显著性目标检测，以往的研究大多集中在区域精度上，而不是边界质量上。在这篇论文中，我们提出了一种predict-refinearchitecture，BASNet，以及一种新的混合损耗来实现边界感知的突出对象的设计。问题or相关工作：由上图，可以看到现在的方法（FCN等），预测的显著性图在精细结构和/或边

SE2Net:SiameseEdge-EnhancementNetworkforSalientObjectDetection文章目录SE2Net:SiameseEdge-EnhancementNetworkforSalientObjectDetection网络结构主要贡献迭代过程边缘引导实验细节消融实验和其他模型比较一点感想参考链接原始文档：https://www.yuque.com/lart/p

SalientObjectDetectionwithPyramidAttentionandSalientEdges文章目录SalientObjectDetectionwithPyramidAttentionandSalientEdges主要亮点网络结构PyramidAttentionModule（2c）SalientEdgeDetector（2e）DenseconnectionDiscussion

AMutualLearningMethodforSalientObjectDetectionwithintertwinedMulti-Supervision主要亮点网络结构主要工作MutualLearningModule（提升显著性检测

AttentiveFeedbackNetworkforBoundary-AwareSalientObjectDetection文章目录AttentiveFeedbackNetworkforBoundary-AwareSalientObjectDetection网络结构主要亮点明确的目标注意力反馈模块全局感知模块损失函数实验细节对比其他方法全局感知模块的配置比较模块消融相关链接原始文档：https:

因为最近的paper涉及，所以对channelattention进行了了解，比较浅显，但是以此篇博客记录，之后有相关进展，也会更新。已经有很多相关的文章对Attention的本质，原理进行介绍。例如：Attention综述：基础原理、变种和最近研究我挑一些我学习过程中觉得重要的点。Attention本质首先，Attention的本质是一个查询（query）到一系列（键key-值value）对的映射

ImageMatting课题回顾Introduction简单图像的ImageMatting--证件照换背景复杂图像的ImageMatting1.DeepImageMatting2.AlphaGANMatting结合显著性检测自动生成

一、程明明等人的论文：SalientObjectDetection:ASurve（简单归纳了文章中的我认为比较重要的部分）该论文旨在全面回顾突出显示目标检测的最新进展，并将其与其他密切相关领域（如通用场景分割，目标建议生成以及固定预测的显著性）相关联。主要内容涉及i）根源，关键概念和任务，ii）核心技术和主要建模趋势，以及iii）显著性物体检测中的数据集和评估指标。讨论并提出了未来的研究反向等开放

1文章说明链接：https://arxiv.org/abs/1811.07480方向：视频显著性检测时间：2018期刊：arxiv2出发点这篇论文网络设计比较复杂，我并没有完全看懂，结构说明以后补充，本文在

Object-basedVisualSaliencyviaLaplacianRegularizedKernelRegression（IEEETMultiMedia）显著性检测源自于生物感知的机制，生物学的证据表明基于目标的显著性源自空间注意力的扩散

思维导图链接1.显著点的检测Itti的AModelofSaliency-BasedVisualAttentionforRapidSceneAnalysis（TPAMI1999）论文是显著性检测的鼻祖论文

图像显著性检测算法之一：LCAlgorithm基本思想计算某个像素在整个图像上的全局对比度，即该像素与图像中其他所有像素在颜色上的距离之和作为该像素的显著值。

【首先，这三个抽样分布都是来自正态总体的常用的分布可以根据情况应用于显著性检测】1.χ2分布定义：设X1,X2,......Xn相互独立,都服从标准正态分布N(0,1),则称随机变量χ2=X1²+X2²

文章目录一、显著性检测研究现状二、基于谱残差法的显著性检测三、基于全局对比度图像显著性检测（LC）2.1基于直方图对比度的显著性检测（HC）2.2基于区域的对比度方法(region-basedcontrast

SAC-Net:SpatialAttenuationContextforSalientObjectDetection文章目录SAC-Net:SpatialAttenuationContextforSalientObjectDetection主要工作主要结构实验细节一些讨论参考链接原始文档：https://www.yuque.com/lart/papers/sacnet主要工作这是arxiv上的一篇

一、图像处理十个python图像处理工具OpenCV实现失焦模糊图像恢复全局对比度的图像显著性检测算法使用Python+OpenCV进行图像处理（三）|视觉入门干货|史上最全OpenCV活体检测教程系列

ContourLoss:Boundary-AwareLearningforSalientObjectSegmentation文章目录ContourLoss:Boundary-AwareLearningforSalientObjectSegmentation网络结构ContourLossHierarchicalGlobalAttentionModule实验细节参考链接原始文档：https://www