Feb, 2018

敏捷护身符：带上下文注意力的实时显著目标检测

PDF
TL;DR本文介绍了一种名为敏捷 Amulet 的多级特征聚合框架，可用于显著性目标检测。敏捷 Amulet 通过多级卷积特征预测显著性地图。相比于之前的研究，敏捷 Amulet 提出了一些关键创新，提高了训练和测试的速度，同时提高了预测的准确度。最终，与其他深度学习方法相比，敏捷 Amulet 在多个公共基准测试中实现了更高的性能和更快的运行速度。
agile amuletsalient object detectionconvolutional featurescontextual attention modulemulti-level
发现论文，激发创造
  • Amulet：多级卷积特征在显著目标检测中的聚合

    本文提出了一种名为 Amulet 的用于突出显著物体的通用多级卷积特征框架，通过聚合多级卷积特征图实现较精确的突出显著物体标签，并在低级层中嵌入边缘感知特征图，实现准确的边界推理和语义提升。

    Aug, 2017

  • 多尺度交互网络用于显著性目标检测

    本研究提出了 “aggregate interaction modules” 和 “self-interaction modules” 等方法来处理深度学习中显著目标检测中存在的变量规模和未知类别等挑战，同时，使用 “consistency-enhanced loss” 方法来处理由于尺度变化导致的类别失衡问题，从而提升对前 / 背景差异的识别和类内一致性的维持。实验结果在五个基准数据集上表明，该方法无需后处理即可比 23 种最先进的方法表现优异。

    Jul, 2020

  • 全局上下文感知逐步聚合网络用于显著性目标检测

    该研究提出了一个名为 GCPANet 的新网络，采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征，并通过监督学习生成显着性图像。此外，还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块，以进一步提高网络性能。实验结果表明，该方法在六个基准数据集上的表现比现有方法都要好。

    Mar, 2020

  • 金字塔特征注意力网络用于显著性检测

    通过提出金字塔特征注意力网络来解决视觉注意力检测中如何提取有效特征的问题，该网络能够关注高层次的上下文特征和低层次的空间结构特征，并在这些特征图上应用通道注意和空间注意，然后将它们进行融合，最后通过边缘保护损失来引导网络学习边界定位中更详细的信息。在五个基准数据集上进行的广泛评估表明，该方法在不同的评估指标下优于现有的基准方法。

    Mar, 2019

  • 通过关注机制增强显著目标分割

    该研究通过迭代地关注图像补丁并进一步增强预测的分割掩模，使用基于 ConvGRU 网络的聚合策略独立估算每个图像补丁的显著性特征，实现端到端的图像分割，较现有方法表现更优，消除背景噪声和假阳性。

    May, 2019

  • 一种基于简单池化设计的实时显著目标检测方法

    研究如何扩展卷积神经网络中的池化作用来解决显著性目标检测问题，首先在 U 形架构下构建全局引导模块，然后使用特征聚合模块使粗略层次的语义信息与来自自上而下路径的细节信息很好地融合，最终能够更准确地定位显著对象并具有更高的运行速度。

    Apr, 2019

  • SaLite：一种轻量级的显著物体检测模型

    本文章提出 SaLite 模型来解决显著目标检测中参数过多难以嵌入式系统的问题，并且该模型采用了全局和局部特征结合的方法，在公开数据集上实现了表现的提升。

    Dec, 2019

  • 利用上下文和注意力进行小目标检测

    提出了一种利用上下文改进小目标检测准确性的方法，该方法使用不同层的多尺度特征作为上下文来增强小目标检测的准确性，并提出带有注意机制的物体检测方法，可以专注于图像中的对象并包括目标层的上下文信息。实验结果表明，该方法在检测小目标方面的准确性比传统 SSD 更高，在 PASCAL VOC2007 测试集上实现了 78.1％的 mAP。

    Dec, 2019

  • M$^3$Net：多层、混合与多阶段注意力网络用于显著目标检测

    提出了用于显著性目标检测的多层次、混合和多阶段注意力网络（M$^3$Net），包括多尺度交互块和混合注意力块，并引入多层次监督策略进行聚合特征的优化。在六个具有挑战性的数据集上的实验证明，所提出的 M$^3$Net 在四个指标上优于最近的 CNN 和基于 Transformer 的显著性目标检测方法。

    Sep, 2023

  • 边缘保护和多尺度上下文神经网络用于显著目标检测

    本研究提出了一种新的神经网络，用于保护边缘和多尺度语境下的显著对象检测。该框架旨在解决现有的基于 CNN 的方法存在的两个限制：区域 CNN 方法缺乏足够的上下文来准确定位显著对象，而基于像素的 CNN 方法由于卷积和池化层的存在而具有模糊的边界。该方法可广泛应用于 RGB-D 显著性检测，并具有清晰的检测边界和多尺度语境下的鲁棒性。实验结果显示，该方法在六个 RGB 和两个 RGB-D 基准数据集上均取得了最优性能。

    Aug, 2016