显著对象检测

这是用Python重新实现的matlab中的F-measure代码，用于评估显著对象检测，包括MAE、F-measure、S-measure、E-measure和加权F-measure。代码支持GPU加速，能够快速评估显著对象检测的准确性。在实现中特别考虑了完全黑色的ground truth情况，与Matlab代码保持一致。使用pytorch实现，便于集成到您的评估代码中。如果这段代码对您的研究有帮助，请引用以下论文。

Matlab中的F-measure代码用于评估显著对象检测，采用GPU实现，支持MAE、Max F-measure、S-measure和E-measure指标。该代码是基于Matlab版本重新实现的，可以轻松地嵌入到使用PyTorch实现的GPU环境中。一键评估的使用方法示例：python main.py --root_dir './' --save_dir './'，支持指定目录和保存目录以及选择特定方法和数据集进行评估。

数据挖掘报纸上的插图广告带有对象检测，这项工作属于Compagnon项目。该活动在2019年赫尔辛基数字人文黑客期间进行，得益于欧洲项目，利用了在法国传统期刊插图广告下构建的数据集。图显示了数据集的主要特征：1910-1920年期间，在法国期刊（主要是日报）中挖掘的65k插图广告数据，这些广告的期刊数据集从16种日常书目和15种杂志书目中收集了36,000册，265k页。也可以使用其他数据集（法语版，1920-1940）。物体检测Yolo v3已应用于广告图像（请参阅图像检索上的面部和物体检测部分）。使用了七个运输类：自行车，汽车，摩托车，飞机，火车，卡车，船。Yolo v3生成了17.5k注释（在运输类别的手段上为1400）。Yolo v3在推断传统报纸广告上的对象时可能会遇到一些问题。

提供图像分割、物体检测和视觉识别的基准图像数据集

这篇文章详细讨论了显著图的ROI检测算法，并提供了示例链接：http://imageprocessingblog.com/region-of-interest-selection-for-saliency-maps/。我们描述了一个实现显著性检测算法（如Itti-Koch [2]或GBVS [3]）的二进制掩码算法，无需显著图阈值。详细信息请参阅我们的论文 [1]：Bharath、Ramesh等人的“使用显著性引导的对象定位进行可扩展的场景理解”（IEEE控制与自动化会议(ICCA)，2013）。请访问：http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber。如果内容对您有帮助，请引用我们的论文。

本仓库包含论文“用于RGB-D显着目标检测的数据级重组和轻量级融合方案”的代码实现。 代码结构 ./Ours 文件夹包含利用原始RGB和深度图计算显著性图的网络源代码。 ./Ours+ 文件夹包含改进网络的源代码，该网络用生成的显著性预测替换了原始深度图。 结果对比 | | Ours | Ours+ ||---|---|---|| | | | 评估指标 评估指标详见./Evaluation文件夹。 环境配置 下载代码并解压缩至./目录下. 下载预训练模型并存储至./model/目录下. Ours.caffemodel 用于初始结果 Ours+.caffemodel 用于最终改进结果 运行测试 在./Ours文件夹下运行test.m生成显著性图. 在./Ours+文件夹下运行test+.m获得改进结果. 训练模型 下载训练数据集并解压缩至./Dataset/Train/目录下. 下载预训练模型并放置于./Model/目录下. 运行训练脚本 sh ./o

DSL：基于多维特征密集稀疏标记的显著性检测算法实现 本代码库提供了论文 “具有显着性检测的多维特征的密集和稀疏标记” [1] 中提出的 DSL 算法的实现。 系统要求 64位 Ubuntu 14.04 或 64位 Windows 8.1 操作系统 MatConvNet (需编译) [2]，支持 CUDA 7.5 和 cuDNN v3 CUDA 7.5 (可选，GPU加速) cuDNN v3 (可选，GPU加速) 使用方法 下载并编译 MatConvNet [2]. 下载模型文件 (必需) 以及现有数据集上生成的显著性图 (可选). 运行代码. 引用 使用此代码，请引用 [1]. 参考文献 [1] 论文标题 [2] MatConvNet: CNNs for MATLAB

深入调研与审查深度学习中的对象检测，包括最新的技术进展和方法。探讨了R-CNN、SPP-Net、OverFeat等模型在视觉识别和对象检测领域的应用，特别关注了Matlab代码实现。此外，还介绍了在人脸检测和语义分割中应用的卷积神经网络。

显著性水平α表示以(1-α)的置信水平，置信区间包含总体均值μ的概率。

AOGD检测器文件执行Xi Song, Tianfu Wu, Yunde Jia和宋春树，\"物体检测的辨别训练And-Or树模型\"，在CVPR2013年。 Bo Li, Wenze Hu, Tianfu Wu和宋春树，\"通过辨别性AND-OR结构建模遮挡\"，在ICCV2013年 Bo Li, Tianfu Wu和宋春树，\"通过层次化And-Or模型集成上下文和遮挡进行汽车检测\"，在ECCV2014年 Tianfu Wu, Bo Li和宋春树，\"学习And-Or模型以表示上下文和遮挡