May, 2018

无阈值显著目标检测的 F 测度优化

PDF
TL;DR本文提出了一种新的损失函数 FLoss，可以用来训练 CNN 网络，同时在评估时使用 F-Measure，能够使网络产生极性激活，从而获得高质量的显著性图。实验结果表明，相比于传统的交叉熵损失函数，本文的方法在几个流行数据集上均取得了更好的性能表现。
salient object detectionf-measurecnnsloss functionpolarized predictions
发现论文，激发创造
  • 基于 F-measure 值的显著目标检测正反馈方法

    本文提出了一种基于 F-measure 值的正反馈方法来改进现有方法的显著性预测准确性，通过将现有模型的预测图输入到正反馈方法中，可获得高准确性的预测结果，而无需进行精细的解码器设计或模型训练。该方法具有适应性，可根据现有模型进行实现，并且在五个公开数据集上的实验结果表明，该方法在显著性地图预测的五个评估指标中超过了最新的 12 种方法。

    Apr, 2023

  • 逐步自引导损失用于显著目标检测

    本研究提出了一种简单而有效的深度学习自引导损失函数来促进图像中显著目标检测，该新型损失函数通过模拟形态学闭合操作来引导模型越来越全面地检测显著对象，同时帮助揭示稀疏像素的空间依赖性。另外，通过新增特征聚合模块和分支注意机制，我们的方法利用适应性特征聚合和分支注意机制来增强显著对象的检测表现，实现了与现有标准框架完全不同的表现优势。

    Jan, 2021

  • 训练深度网络实现空间敏感性

    本文提出了一种可微分而高效的算法来逼近加权 F - 测量度量函数，通过引入空间信息，不牺牲准确性的情况下可以使用比现有方法更简单的模型，加快推断速度并减轻前 / 后处理的需要，对于许多任务可以比传统指标的先进状态匹配（或提高）性能，且在加权 F - 测量方面显著提高了性能。

    Aug, 2017

  • 无损特征反射和加权结构损失的显著目标检测

    本文提出了一种新的基于特征学习框架的大规模显著性目标检测方法，其中利用对称全卷积网络和加权结构损失函数结合上下文和语义信息来提高准确性和空间一致性，最终在七个数据集上的实验证明了该方法的卓越表现。

    Jan, 2019

  • 显著与伪装目标检测及其扩展的空间相干性损失

    通用物体检测是一项与类别无关的任务，它依赖于对象性的准确建模。我们提出了一种新的损失函数，即空间一致性损失（SCLoss），它利用相邻像素之间的相互响应来抑制或强调像素的单一响应，通过检测和强调边界逐渐学习困难区域。通过全面的实验证明，使用 SCLoss 替代流行的损失函数可以提高当前最先进的显著或伪装物体检测（SOD 或 COD）模型的性能。同时，我们还展示了将 SCLoss 与其他损失函数结合可以进一步提高性能并实现不同应用领域的最先进结果。最后，我们展示了将 SCLoss 应用于语义分割等其他相关任务的潜在用途的示例。

    Feb, 2024

  • 无损特征反射的显著物体检测

    本研究提出了基于对称全卷积网络的独特特征学习框架，该方法将无损特征反射的指导下，结合显著目标的位置信息、语境和语义信息，用于更精确地进行显著性预测，并使用新的结构损失函数来辅助预测边缘和保证空间一致性。实验表明，该方法在七个显著性检测数据集上均取得了优异的性能，超过了最近的先进方法。

    Feb, 2018

  • 广义 Focal Loss：学习密集物体检测的合格和分布式边界框

    本篇论文提出了一种基于 Generalized Focal Loss 的改进型 One-Stage Detector，在保证速度的情况下，在 COCO 数据集上实现了 state-of-the-art 的准确率。

    Jun, 2020

  • 多标签 F 度量的凸校准代理

    本文探讨设计针对 F-Measure 的凸罚函数问题，提出了 F-Measure 的凸罚函数方法，将多标签 F-Measure 学习问题分解为 $s^2+1$ 个二进制分类概率估计问题，并提供了差错传递边界的定量证明，与 Dembczynski 等人的算法有关，并进行了实验证实了论文理论结果。

    Sep, 2020

  • 稳定性可塑性解耦微调：用于少样本端到端目标检测

    本文通过引入附加的可塑性分类器微调（PCF）阶段和多源集成（ME）技术，提出了一个新的三阶段微调方案，用于缓解稀疏 R-CNN 端到端目标检测器中的稳定性 - 可塑性矛盾问题，并进一步增强模型的泛化能力。大量实验证明我们的方法在规范化稀疏 R-CNN 中有效，优于先前的 FSOD 基准方法。

    Jan, 2024

  • HyperFusion-Net: 密集反射融合用于显著目标检测

    在本篇论文中，我们提出了一种基于像素分类的新型特征学习框架，并将显著目标检测作为像素分类问题来解决，该方法采用了名为 HyperFusion-Net 的密集分层特征融合网络，结合 ICNN 和超密集融合机制，它能够自动预测最重要的区域并以端到端的方式分割相关物体，实验结果表明该方法在七个公共数据集上的表现均显著优于其他现有最先进的方法。

    Apr, 2018