显著目标检测

提供图像分割、物体检测和视觉识别的基准图像数据集

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

自己写的myGBVS，核心算法思路清晰，代码也写得挺干净，适合拿来练手或者二次开发。显著性检测这个方向，说白了就是找图里哪些区域“比较重要”。而GBVS就是靠亮度对比，来决定图像的“关注点”在哪。整个流程不绕弯子，从图像预、亮度差计算到显著图生成，一步步都能看懂。 导航是函数式的，直接调用myGBVS('xxxx.jpg')就能跑。预部分包括灰度化和直方图均衡，这两步可以提高对比度，方便后面的。后也不马虎，加了滤波和阈值，能去掉噪声，结果挺干净。 这套代码适合想入门显著性检测或者图像分割的你。应用场景蛮广，比如视频监控里自动识别移动物体，自动驾驶识别障碍，甚至医学图像里找病灶。代码结构清爽，变

这份文件深入探讨了利用深度学习进行目标检测的各种方法。它对不同的方法进行了分类和解析，并对它们的优缺点进行了比较。

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。

用神经网络做权重优化的目标检测项目，融合了CNN、DQN和SVM这三块内容。说白了，就是用强化学习来教一个智能体去找图像里的目标，还挺有意思的。训练是在 Google Cloud GPU 上跑的，效果还不错，跑完能自动框出目标位置。 特征提取靠的是预训练的 CNN，像是先把图像切出几个区域，提取每一块的特征。用Deep Q Network，一步步调整边框的位置，目标就是尽少地移动几次就把对象框出来。再用一个SVM 分类器确认框出来的东西是不是目标类别。 项目结构也清晰，Matlab代码整理得还行，比较适合用来做强化学习和图像的结合实验。适合已经有点深度学习基础、又想试试强化学习落地的同学。 代

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?a

基于颜色的显著性思路，还挺实用的。程明明在 CVPR2011 提的这个方法，核心就是通过颜色直方图，图像里哪些区域更“扎眼”。相比传统的特征提取，思路更轻、实现也不复杂，挺适合用来练手或改进到自己的项目里。 颜色直方图的显著性方法，关键在于全局对比度（Global Contrast）。简单说，就是看一块颜色跟整个图的颜色差得有多大，差得越多就越显眼。这一点在图像分割、关键帧提取这种场景里吃香，比如视频剪辑自动识别重点画面，就有用。 MATLAB 代码也有了，GetHC.m里面率是实现了几个步骤：颜色量化、对比度计算，再到显著性评分。你跑一跑，调几个图进去，快就能看出效果。，如果你想改成 Pyt

使用Matlab编程实现车辆目标的检测，代码详细易懂，适合初学者学习使用。

该程序使用Matlab读取视频文件中的图像帧，并对每帧图像进行运动目标检测，实现对视频中运动目标的持续追踪。