针对获得训练数据集代价高昂问题，提出了一种用于图像显著性检测的弱监督新方法，在训练网络模型时仅使用图像级标签。方法分为两个阶段，在第一阶段，根据图像级标签训练分类模型，获得前景推断图；在第二阶段，对原图像进行超像素块处理，并与阶段一得到的前景推断图进行融合，从而细化显著对象边界。算法使用了现有的大型训练集和图像级标签，未使用像素级标签，从而减少了注释的工作量。在四个公共基准数据集上的实验结果表明，性能明显优于无监督的模型，与全监督模型相比也具有一定的优越性。
2022-12-08 14:49:26
1.06MB
1
RunMe为matlab运行的主函数
SLIC.m为SLIC算法的实现 是一个function函数
FindAroundLine.m是用来将超像素块画边界线的function函数
SLIC.m和FindAroundLine.m都不用运行，把他放在和RunMe同一个路径下就行
注意在运行RunMe.m脚本时，要将matlab的当前文件夹改为RunMe所在文件夹，里面的demo.jpg是我存放的图片，运行结果即为demo.jpg分块的结果
2022-04-06 15:05:10
65KB
1