結合彩色和深度資訊的影象顯著性檢測方法

RGB-D影象處理；

一種基於低秩多尺度融合的影象顯著性檢測方法

協同顯著性檢測

一種基於顯著性檢測的深度圖提取方法

深度圖的提取

基於U形網路和對抗學習的顯著性檢測方法

對抗學習在哪裡？類似GAN網路?鑑別器？

基於深度資訊的影象顯著性檢測方法和裝置

現有的融合網路，主要關注特徵的融 合正規化而忽略了不同層次特徵之間融合與傳遞過程的重要性，忽視了高層特徵和低層特徵 之間的差異，忽視了低層特徵背景噪聲的干擾，這會造成高層特徵的全域性語義資訊丟失，也 可能會增加低層特徵的干擾。

如何生成深度資訊？特徵影象？

基於多尺度重構誤差融合的絕緣子顯著性檢測方法

絕緣子檢測？絕緣子影象？

結合顯著性檢測和深度學習的船隻檢測方法及系統

一種基於最優特徵選擇的低對比度影象顯著性檢測方法

2-1 .首先對輸入影象的RGB顏色空間進行歸一化，然後將歸一化後圖像轉換為LAB、HSV 和YCbCr顏色空間，以便提取出九種顏色特徵； 2-2.利用影象的二維熵來表示其紋理特徵，紋理特徵的變化通過熵的變化來確定；
2-3 .通過在輸入的灰度影象上執行不同方向θ∈{0°,45°,90°,135°}的Gabor濾波器來 獲取方向特徵；
2-4.通過平均水平梯度和垂直梯度來計算梯度特徵；


超分割對影象的顯著性優點？可以用到其中嗎？

基於多層融合的卷機網路RGB-D顯著性檢測方法

採用不同的訓練資料對新的卷積神經網路依次進行初始化訓練、 第一第二次微調訓練； 對訓練後的結果， 使用顯著性物體的最小包圍框， 對輸入影象進行剪下和鏡面翻轉， 獲取顯著性檢測結果

基於金字塔特徵注意的影象顯著性檢測方法

對於低層次的特徵， 使用空間注意力模組使網路過濾掉一些背景噪聲， 學習到合適
的特徵

一種基於空間金字塔池的多模態融合顯著性檢測方法

RGB-D影象處理

一種基於深度融合的視訊顯著性檢測方法

首先， 深度特徵提取網路提取多級深度特徵， 產生深度空間特徵和深度時間特徵

一種基於資訊融合卷積神經網路的影象顯著性檢測方法

多模態資訊融合模組

基於特徵金字塔網路和通道注意力的視覺顯著性檢測方法

本發明具有改善不同層次特徵之間的融合質量、 提高所獲得的顯著圖的準確性等優點。？？？通道注意力模型的功能 ？

一種基於多尺度特徵注意機制的快速顯著性檢測方法

基於多通道特徵的全景視訊顯著性檢測方法

反向ERP變換？

一種基於多特徵最優融合的影象顯著性檢測方法

通過支援向量機對訓練資料的學習， 能夠根據影象的各種特徵對於顯著性檢測的重要程度大小為各種特徵設定不同的權重


支援向量機對資料進行處理？

一種基於多尺度特徵融合的RGBD顯著性檢測方法

RGB-D融合多特徵

基於特徵選擇和特徵融合的影象顯著性檢測方法

？？？如何融合的多特徵呢？
通道注意力模組？

一種基於深度預測圖的RGB-D顯著性檢測方法

深度注意力模組？