Advertisement

PoolNet: 我们在CVPR 2019上的论文《基于简易池化设计的实时显著物体检测》的代码

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
PoolNet是我们在CVPR 2019上发表的论文中的一个项目，旨在提供一种简单的池化方法来实现高效的实时显著物体检测。该项目包含所有必要的代码和资源。 基于池的实时显著目标检测的简单设计是我们CVPR 2019年的工作，并使用PyTorch实现。 先决条件： 更新：我们发布了与边缘联合训练的代码，这也是我们的最佳性能模型版本。 您可以参考相关文档进行结果评估。 用法说明： 1. 克隆存储库 ``` git clone https://github.com/backseason/PoolNet.git cd PoolNet ``` 2. 下载数据集： 请下载以下数据集，并将其解压缩到data文件夹中。 - MSRA-B和HKU-IS数据集：用于训练的.lst文件是msrab_hkuis_train_no_small.lst ； - DUTS数据集：用于训练的.lst文件是DUTS-TRtrain_pair.lst； - HED-BSDS_PASCAL 数据集: 用于训练的.lst 文件为bsds_pascal_train_pair_r_val。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • PoolNet: 我们在CVPR 2019上的论文《基于简易池化设计的实时显著物体检测》的代码
    优质
    PoolNet是我们在CVPR 2019上发表的论文中的一个项目，旨在提供一种简单的池化方法来实现高效的实时显著物体检测。该项目包含所有必要的代码和资源。 基于池的实时显著目标检测的简单设计是我们CVPR 2019年的工作，并使用PyTorch实现。 先决条件： 更新：我们发布了与边缘联合训练的代码，这也是我们的最佳性能模型版本。 您可以参考相关文档进行结果评估。 用法说明： 1. 克隆存储库 ``` git clone https://github.com/backseason/PoolNet.git cd PoolNet ``` 2. 下载数据集： 请下载以下数据集，并将其解压缩到data文件夹中。 - MSRA-B和HKU-IS数据集：用于训练的.lst文件是msrab_hkuis_train_no_small.lst ； - DUTS数据集：用于训练的.lst文件是DUTS-TRtrain_pair.lst； - HED-BSDS_PASCAL 数据集: 用于训练的.lst 文件为bsds_pascal_train_pair_r_val。
  • 基于上下文的显著性检测Matlab代码
    优质
    本项目提供了一套基于上下文信息进行图像显著性区域检测的Matlab实现代码。通过分析图像内容及周边环境的影响来识别视觉焦点，适用于目标提取与图像分割等应用领域。 关于显著性检测的经典论文《Context-Aware Saliency Detection》，我用Matlab编写了实现代码，并包含了所有相关的函数。
  • 基于鲁棒背景检测的显著性优化论文代码
    优质
    本项目提供了一种基于鲁棒背景检测的图像显著性优化方法。通过改进背景模型，有效提升了前景目标的识别精度与稳定性，适用于多种复杂场景下的图像处理任务。 CVPR 2014 论文《Saliency Optimization from Robust Background Detection》的代码。
  • SalBenchmark:显著物体检测
    优质
    SalBenchmark是一款用于评估和测试显著物体检测算法性能的工具或数据集，旨在推动计算机视觉领域内的研究进展。 Sal基准显著物体检测：此基准Saliency Benchmark在六个具有挑战性的数据集上对42个最新模型（包括30种显著目标检测、10个注视预测以及一个客观性和基线）进行了定性与定量的比较，旨在为显著目标检测和分割方法提供参考标准。请访问项目页面以获取每种方法的相关网址。 这是基准评估的一个示例代码：从Git项目页面下载代码后，请安装OpenCV（支持2.0及3.0版本）。接着运行./Code/matlab/RunAll.m来生成SaliencyMap，然后打开Visual Studio 2013中的./Code/Demo.sln文件，并在x64发行版中通过“Ctrl + F5”进行推荐的调试。此时您已准备好所有材料（包括每个图像的显著性图、本段落中的表格和图形等）。 注意：确保查看./Data 文件夹，其中包含名为DataSet1 和 DataSe 的文件。
  • 近年来顶会上的显著性检测论文与代码
    优质
    本资源集合了近年各大顶级会议中关于显著性检测领域的前沿论文和开源代码，旨在为研究者提供便捷的一站式访问平台。 2020年CVPR会议、2021年CVPR会议、2019年ICCV会议以及2020年ECCV会议的相关内容进行了讨论。
  • CVPR 2021 论文与代码解读: CVPR 2021/2020/2019...
    优质
    本系列文章深度解析CVPR会议近年（2019-2021）精选论文，并附有相关代码，旨在帮助研究者快速掌握前沿技术与方法。 推荐阅读：CVPR 2021/CVPR 2020/CVPR 2019/CVPR 2018/CVPR 2017的论文解读汇总，包括Papers、Codes、Project和Paper reading等部分。以下是论文分类汇总： - CVPR 2021最新论文分类汇总（持续更新） - CVPR 2020论文下载/代码/解读 - CVPR 2019全部论下载及开源代码的获取方式，共包含1294篇链接。 - CVPR 2019论文分方向盘点 - CVPR 2019论文直播分享回放：点云分割、目标检测和单目标跟踪等主题。
  • Darknet_ROS: YOLO在ROS中的实时物体检测
    优质
    简介：Darknet_ROS是将YOLO算法集成至ROS平台的实时物体检测系统，适用于机器人自主导航和环境感知任务。 darknet_ros：YOLO ROS是一个用于实时对象检测的ROS工具包。
  • 基于MATLAB的AIM显著性检测算法代码
    优质
    本代码实现了一种名为AIM的图像显著性检测算法，使用MATLAB编程语言开发。该算法有效识别图片中关键区域，适用于视觉注意力模拟与目标定位研究。 AIM显著性检测算法为计算机视觉领域的同学们提供了便利，方便他们进行对比实验。
  • 基于情境感知的显著性检测的Matlab代码
    优质
    本项目提供了一套用于进行基于情境感知的图像显著性检测的Matlab代码，旨在帮助研究者和开发者更好地理解和应用这一领域的算法和技术。 Context-Aware Saliency Detection的Matlab代码，可以直接运行，请自行提供图片。
  • RGB-D显著物体检测综述(20200894).pdf
    优质
    本文为一篇关于RGB-D显著物体检测的综述性论文，总结了近年来该领域的研究进展、关键技术及应用，并探讨了未来的发展方向。 RGB-D Salient Object Detection A Survey是一篇关于基于RGB-D数据的显著性目标检测方法的综述论文。该文全面回顾了近年来在这一领域内的研究进展，并对现有的技术进行了分类与分析，为今后的研究提供了有价值的参考方向和理论基础。