XiaoMi-AI文件搜索系统
World File Search SystemShelhamer
显着对象检测：迷你评论
显着对象检测（SOD）旨在识别引起人类注意力的图像中最重要的区域。这些地区通常包括汽车，狗和人等物体。在图1中，在视觉上表示显着的对象检测后的输入和输出图像。它旨在模仿人类的关注，以关注现场的引人注目。识别图像中的显着区域可以促进后续的高级视觉任务，提高效率和资源管理并提高绩效（Gupta等，2020）。因此，SOD可以帮助过滤不相关的背景，并且草皮在计算机视觉应用中起着重要的预处理作用，为这些应用提供了重要的基本处理，例如细分（Donoser等，2009; Qin等，2014; noh et al。 Borji和Itti，2019年； Akila等人，2021年，2021年；现有的SOD方法可以大致分为两个类：1）常规方法； 2）基于深度学习的方法，如图2所示。传统方法利用低级特征和一些启发式方法来检测包含基于局部对比的基于扩散的贝叶斯方法，先验和经典监督的显着对象。此外，基于深度学习的方法可以帮助提取全面的深层语义特征以提高性能。可以进一步分类为完全监督的学习（Wang等，2015a; Lee等，2016a; Kim and Pavlovic，2016; He et al。，2017a; Hou等，2017; Shelhamer等，2017; Shelhamer et al。，2017; Su等，2019; Su等人，2019年）和弱监督的学习（Zhao Al Al Al Al Al。 Al。，2018年，2018年； Zhang等人，2020a；本文将根据两个
太空旅游营销，技术和可持续发展的心理学：从文献综述到综合框架
概念38 Beery（2012）; Bensoussan（2010）； Chang（2015）; Chang（2020）;科恩（2017）;科尔（2015）;柯林斯（2006）; Collins and Autino（2010）；克劳奇（2001）；戴维（2021）;丹尼斯等。（2020）; Ferreira -Snyman（2014）; Forganni（2017）;弗朗斯（2013）;弗朗斯（2011）； Goehlich等。（2013）; Hobe（2010）； Johnson＆Martin（2016）； Damjanov和Crouch（2018）; Launius和Jenkins（2006）； Lele（2018）; Loizou（2006）;斯科特（2020）;玛格利斯（2020）;沼泽（2006）; Masson -Zwaan和Freeland（2010）； Peeters（2018）; Peeters（2010）； Penn and Lindley（2003）； Prideaux and Singer（2005）；罗莎（2013）; Shelhamer（2017）; Spector（2020）; Spector和Higham（2019）; Spector等。（2017）;学生等。（2001）;韦伯（2010）；威尔逊（2019）