丰富和深入监督网络用于显著性目标检测
提出 Deeply Supervised Object Detectors(DSOD)框架,实现可以从头开始训练的目标检测器。通过 Layer-wise Dense 连接在主干网和预测层之间实现深度监督,DSOD 能在 PASCAL VOC 和 COCO 数据集上取得比现有方法更好的检测结果,并使用更小的模型参数。
Sep, 2018
本研究提出了一种名为 DSOD 的新型深度监督目标检测器,通过设计一组原则以及采用密集的层内连接等手段使目标检测器可以从零开始训练,并在 PASCAL VOC 2007,2012 和 MS COCO 等数据集上完美取代了现有的模型。
Aug, 2017
本文提出了一种使用深度监督复发卷积神经网络(DSRCNN)实现完整图像显著性预测的新型显著性检测方法,经过在 VGGNet-16 上基于重复连接和边缘输出层的优化设计,测试验证结果在五种基准数据集上均显著优于目前显著性检测领域的相应方法。
Aug, 2016
提出了一种新颖的深度感知显著目标检测框架,采用多层深度感知规则全面优化 SOD 特征,并将深度信息作为误差加权映射来修正分割过程,该框架在利用 RGB 信息作为输入进行推断时优于现有的 RGB SOD 方法和 RGBD 方法的性能表现,并具有轻量级的实现方式。
May, 2020
本文提出了一种基于 Vision-Transformer 的语义蒸馏协助显著目标检测方法,通过融合从生成的图像字幕中语义蒸馏的知识,可以更好地揭示物体之间、物体与环境之间的显著性,并弥补了昂贵标注的主观性不足。在五个基准数据集上的综合实验表明,SDG-SOD 在四个评估指标上优于现有技术,并大大提高了 DUTS、ECSSD、DUT、HKU-IS 和 PASCAL-S 数据集上的模型性能。
Mar, 2022
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
本文提出一种新的深度学习框架,用于高分辨率显著目标检测任务,该框架将任务分离成低分辨率显著性分类网络(LRSCN)和高分辨率细化网络(HRRN),实现低分辨率感知和高分辨率精细调整的显著目标检测,基于此框架的实验结果表明,本文所提方法在高分辨率显著性检测方面具有优越性能。
Aug, 2021
该研究利用 RGB 图像估计深度信息,使用金字塔式的注意力机制从中提取多层级卷积变换的特征,综合使用残差卷积注意力解码器进行显著性预测,取得了比 21 种 RGB SOD 方法和 40 种 RGB-D SOD 方法更为优异的性能表现。
Apr, 2022
提出了一个新的显著目标检测(SOD)模型 —SODAWideNet,它采用从头开始训练的神经网络,通过扩张卷积和自注意力机制等技术实现浅层网络,取得了与最先进模型相媲美的性能。
Nov, 2023
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