Nov, 2016

基于基准数据集和显著性引导的堆叠自编码器的基于视频的显著性目标检测

PDF
TL;DR本文提出了一个由人眼注视数据和手工标注的对象 8.1W 张图构成的视频显著对象检测数据集，并提出了一个基于自动编码器的无监督方法，利用该数据集证实了该方法具有很好的效果。
video-based salient object detection dataseteye-tracking dataunsupervised approachsaliency-guidedstacked autoencoders
发现论文，激发创造
  • ViDSOD-100: 一个新的 RGB-D 视频显著物体检测数据集和基线模型

    通过收集新的注释 RGBD 视频 SOD（ViDSOD-100）数据集和提出了一种名为 ATF-Net 的新基线模型，本研究在 RGBD 视频显着目标检测方面取得了更好的性能。

    Jun, 2024

  • 深度学习时代的显著目标检测：深度调研

    本文综述了计算机视觉中的一个重要问题：显著物体检测（SOD）。研究者们采用基于深度学习的方法进行研究，并从算法分类法到未解决的问题等多个角度全面梳理了深度学习在 SOD 方面的最新进展，提出了一些新观点和实验结果。

    Apr, 2019

  • 基于不确定性感知伪标签学习的无监督域自适应显著目标检测

    通过使用合成数据集来代替传统的手动标注，本论文提出了一种新的基于不确定性自学习的无监督域适应方法，用于深度学习中的显著物体检测任务，并在多个基准数据集中取得了超过现有深度学习方法的最佳表现，甚至与全监督方法相当。

    Feb, 2022

  • 使用伪标签的半监督视频显著目标检测

    本论文提出了一种基于半监督学习的视频显著性目标检测方法，使用伪标签从稀疏注释帧中生成像素级伪标签，并结合部分手动注释，学习了空间和时间线索，进而产生准确的显著性图。实验结果表明，我们的方法在 VOS、DAVIS 和 FBMS 三个公共基准测试数据集上均明显优于所有最先进的全监督方法。

    Aug, 2019

  • 基于谱聚类投票的无监督显著目标检测

    本篇论文提出了一种基于自我监督特征和谱聚类技术的无监督显著物体检测方法，使用谱聚类聚合像素并应用多种自我监督模型计算出的图像特征进行掩码提议，然后采用 “赢家通吃” 机制挑选显著掩码，以显著性物体检测为研究目标，实验结果表明相比之前的方法该算法在三个无监督显著物体检测基准上表现更佳。

    Mar, 2022

  • RGB-D 视频中的显著目标检测

    通过构建 RDVS 数据集和引入 DCTNet+，本文在 RGB-D 视频中进行了显著目标检测，通过使用多模态注意力模块实现了多模态特征的增强与融合，实验结果表明 DCTNet + 在 17 个 VSOD 模型和 14 个 RGB-D SOD 模型中表现优越。

    Oct, 2023

  • 从深度提升显著性：深度无监督的 RGB-D 显著性检测

    本研究提出了一种基于深度学习和无监督学习的 RGB-D 显著目标检测方法，利用基于深度学习的迭代自动伪标签生成和注意力训练策略，无需人工像素级注释即可在无监督场景下提高 RGB-D 显著目标检测的效率和效果，同时也适用于全监督情况下的场景。

    May, 2022

  • 混乱环境下的显著物体：将显著物体检测置于前景

    本文对显著物体检测模型进行了全面评估，发现现有 SOD 数据集中普遍存在偏见性，即假设每幅图像中至少包含一个低噪声的显著物体。这种偏见导致现有数据集上的最新 SOD 模型性能过高，但在面临实际场景时仍表现不尽如人意。该研究提出了一个综合、平衡且高质量的新数据集 SOC，该数据集包含各种日常物品的显著和非显著物体，并提供反映实际情况的通用挑战属性。最后，本文还对该数据集进行了基于属性的性能评估。

    Mar, 2018

  • 基于全卷积网络的视频显著对象检测

    本文提出了一个深度学习模型，通过数据增强技术和动态显著性模型来高效地检测视频中的显著区域，该模型在 DAVIS 和 FBMS 数据集上达到了最新的性能标准。

    Feb, 2017

  • 高分辨率显著目标检测的循环多尺度 Transformer

    本研究提出了一个新的高分辨率显著物体检测 (High-Resolution SOD) 方法，该方法使用 HRS10K 数据集和递归多尺度 Transformer (RMFormer) 生成高分辨率显著图。对高分辨率和低分辨率基准测试的广泛实验证明该框架的有效性和优越性。

    Aug, 2023