DNA: 深度监督非线性聚合用于显著目标检测
该论文提出了一种新的框架,通过捕捉时间空间和鼓励预测一致性来提高视频中的目标检测表现,并融合了强、弱监督的训练方式和平滑性惩罚,提高了 Youtube-Video Objects 数据集上的平均精度(mAP)。
Jul, 2016
本篇论文提出采用无监督学习方法生成的显著图用于像素级注释,在此基础上采用简单而有效的算法训练卷积神经网络,使用图形模型和完全卷积网络为模型更新修复标签歧义和更新粗糙激活地图,结果表明,该算法与目前最佳的强监管方法相当,性能明显优于所有最新的无监督显著性检测方法。
Mar, 2018
本研究提出了一种基于CPD框架的新型显著性物体检测方法,通过构建部分解码器,丢弃低分辨率因素以促进加速,在深层次集成特征的基础上,利用生成的显著图来精调骨干网络的特征,从而显著提高显著性目标检测的准确性和速度。
Apr, 2019
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
提出了联合检测NAS(Joint-DetNAS),是一种用于目标检测的统一NAS框架,同时整合了3个关键部分:神经架构搜索、剪枝和知识蒸馏,将它们联合优化,实现了高性能的对象检测。
May, 2021
本文提出了DETR-GA,一种基于DETR的交叉域弱监督目标检测方法,它同时进行实例级别和图像级别的预测,利用强监督和弱监督相互促进,利用注意力机制在整个图像上汇聚语义信息进行图像级别的预测以进行域对齐。
Apr, 2023
本文提出使用分而治之的思想来优化显著目标检测任务,并设计了基于此思想的DC-Net神经网络模型,其中包含两个编码器和一个解码器,通过预测边缘地图和显著对象位置地图来预测最终显著性图,并采用两级ResASPP模块来捕获不同尺度特征,最终在六个LR-SOD和五个HR-SOD数据集上取得竞争性的性能。
May, 2023
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
我们的论文介绍了一种新颖的两阶段自监督方法,用于在图像组中检测共现显著对象(CoSOD),不需要分割注释。我们的轻量级模型利用了补丁和区域级别上的特征对应,显著提高了预测性能。我们的自监督模型在三个CoSOD基准数据集上进行了大量实验证明,性能明显优于现有最先进模型。
Mar, 2024
本研究针对显著目标检测(SOD)中传统特征提炼模块依赖于图像分类预训练骨干网络的局限性,提出了专门为SOD设计的编码器-解码器风格的神经网络SODAWideNet++。该模型引入了注意力引导的长程特征提取模块,结合了大膨胀卷积和自注意力,从而在有效性和网络大小方面显示出竞争力,只有35%的可训练参数。
Aug, 2024