A Weighted Sparse Coding Framework for Saliency Detection, Nianyi Li, Bilin Sun, Jingyi Yu, CVPR 2015----code

浅层和深层卷积网络用于显着性预测 该论文在 （*） （*） （*）平等贡献 之间的联合合作： 抽象的 传统上，基于神经科学原理通过手工制作的功能解决了图像显着区域的预测问题。 但是，本文通过训练卷积神经网络（convnet），以完全数据驱动的方法解决了该问题。 学习过程被表述为损失函数的最小化，该损失函数使用提供的地面真实性来测量预测显着性图的欧几里得距离。 最近发布的显着性预测大型数据集提供了足够的数据来训练快速而准确的端到端体系结构。 提出了两种设计：从头开始训练的浅层卷积网络，以及另一种更深层次的解决方案，其前三层改编自另一种经过训练的分类网络。 据作者所知，这是为显着性预测目的而经过培训和测试的首批端到端CNN 出版物 感谢计算机科学基金会的支持， 得以公开发表。 也可以使用。 请引用以下Bibtex代码： @InProceedings{Pan_2016_CVPR, au

显著图计算算法FT, SR, LC, HC, RC，以及saliency cut 的合集。

层次分析matlab代码基于分层分割的协同显着检测 1此代码适用于论文：** [1] Z. Liu，W。Zou，L。Li，L。Shen和O. Le Meur，“基于分层分段的共显着性检测”，IEEE信号处理。 Lett。，第一卷21号1，第88-92页，2014年1月。只能用于非商业目的。 如果您使用我们的代码，请引用论文[1]。 2此代码需要[2] P. Arbelaez，M。Maire，C。Fowlkes，J。Malik，“轮廓检测和分层图像分割”，IEEE模式分析和机器智能交易，第1卷。 33，不。 ，第5卷，第898-916页，2011年5月。[2]的源代码包含在“ lib”文件夹中，也可以从以下位置下载 3运行代码我们已经在ubuntu 12.04下测试了此代码。 在MATLAB中运行Demo.m，您将看到一个示例。

matlab小波变换算法代码小波显着性 基于小波变换的低阶特征显着性检测模型 该代码用于使用基于Wavelet变换的低级特征来计算自下而上的显着性图。 这是以下出版物的修订版，可以在网络上公开发行。 使用此代码时，请引用以下论文。 参考： Nevrez Imamoglu，Weisi Lin和Yuming Fang：一种基于小波变换的使用低级特征的显着性检测模型。 IEEE Transactions on Multimedia 15（1）：96-105（2013年1月） 运行代码： 请使用“ mainSaliencyMap.m”文件在matlab命令窗口中运行matlab代码： >> mainSaliencyMap 免责声明：提供的Matlab代码仅用于评估算法。 对于以任何方式使用本准则引起的任何损失，本准则的作者或所属单位概不负责。 请使用代码，后果自负。

本文提出了一种新的无监督显着性合成Kong径雷达（SAR）图像变化检测方法。 图像的显着区域始终是有区别的，并且与其他区域不同，这使得它们很容易被注意到。 局部区域的强烈视觉对比度使显着性适合于指导SAR图像的变化检测，这两个图像之间存在差异。 通过将显着性提取应用于通过对数比运算符获得的初始差异图，可以得到显着性图，其中包括了大多数变化区域，并且同时很好地忽略了由斑点噪声引起的伪变化像素。 然后，通过对显着性图进行阈值处理，可以保留大多数兴趣区域，并进一步将其用于从初始SAR图像中提取区域以生成差异图像。 主成分分析（PCA）方法用于从局部补丁中提取特征，以合并空间信息并减少孤立像素的影响。 最后，采用k均值聚类来获得所提取特征的变化图，将其聚类为两类：变化区域和不变区域。 在五个真实和两个模拟SAR图像数据集上的实验结果证明了该方法的有效性。

sf滤波器matlab代码显着性HDCT 在Matlab中实现“通过高维颜色变换和局部空间支持进行显着区域检测” 抽象的 在本文中，我们介绍了一种通过高维颜色变换自动检测图像显着区域的新颖技术。 我们的主要思想是将图像的显着性图表示为高维色彩空间的线性组合，其中显着区域和背景可以有区别地分开。 这是基于这样的观察：在人类感知中，显着区域与背景相比通常具有独特的颜色，但是人类感知通常是复杂且高度非线性的。 通过将低维RGB颜色映射到高维颜色空间中的特征向量，我们表明可以通过在高维颜色空间中找到颜色系数的最佳线性组合来将突出区域与背景线性分离。 我们的高维色彩空间结合了多种颜色表示形式，包括RGB，CIELab，HSV以及伽玛校正，以丰富其代表性功能。 我们在三个基准数据集上的实验结果表明，我们的技术是有效的，并且与以前的最新技术相比，它在计算上是有效的。 注意：我们的代码需要VLfeat库，可以从以下位置下载该库： 用法 安装所需的库并进行编译： VLfeat（） 直方图距离工具箱（） SQBlib（） 将测试图像保存在“图像”文件夹中。 运行main.m 我们在Windows 7环境的

2013年经典CVPR文章代码 Saliency Detection via Graph-Based Manifold Ranking

所属分类：图形图像处理 开发工具：matlab 文件大小：4.27 MB 说明： 目标检测，利用上下文关系 (object detection using context)

TFT-LCD_defects_detecter-Qt-opencv：基于改进的显着性模型的TFT-LCD缺陷检测器