SalGAN Visual Saliency Prediction with Generative Adversarial Networks
SalGAN Visual Saliency Prediction with Generative Adversarial Networks
引用格式
[1] Pan J , Canton C , Mcguinness K , et al. SalGAN: Visual Saliency Prediction with Generative Adversarial Networks[J]. 2017.
研究的背景
- 这个模型是第一篇提出使用基于对抗性方法来进行显著性预测的模型
使用的方法(创新点)
生成器的编码器部分和VGG一样,只是去掉了最后的池化和全连接层。
生成器的解码器部分是倒序的VGG,并使用上采样层代替了池化层。使用ReLU函数作为全部卷积层的激活函数,只有最后的卷积层使用sigmoid进行激活。
判别器部分的卷积层使用ReLU作为激活,全连接层使用tanh作为激活,最后一层使用sigmoid作为激活。
总的生成器loss分为内容loss——BCEloss以及对抗loss——也是BCEloss。总的判别器loss分为判真loss——BCEloss和判假loss——BCEloss。
模型的结构如下所示:
评估方法
- IG等
本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 DreamTomb!