Apr, 2019

深度学习时代的显著目标检测：深度调研

PDF
TL;DR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。
salient object detectiondeep learningsod datasetsperformance analysisadversarial attacks
发现论文，激发创造
  • RGB-D 显著物体检测：综述

    本文从各个角度综述了基于 RGB-D 的显著性目标检测模型，并详细回顾了相关基准数据集。此外，我们进行了综合评估，并探讨了未来研究的挑战和方向。

    Aug, 2020

  • 光场显著性目标检测：综述与基准

    这篇论文提供了关于光场显著性检测的全面综述和基准，包括理论介绍、现有文献综述、数据集总结及统计分析、基准模型和未来挑战方向等方面。

    Oct, 2020

  • 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

  • 显著性目标检测综述

    本文介绍近期在显著物体检测领域中的一些进展和问题，涵盖了 228 个出版物，讨论了关键概念、任务、核心技术和建模趋势、数据集和评估指标，并探讨了模型性能的数据集偏差和评估指标等方面的开放性问题以及未来的研究方向。

    Nov, 2014

  • 深度对醒目目标检测真正必需吗？

    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

  • 点云显著目标检测

    本文研究了点云显著目标检测的新领域，提出了一个新的视角来解决点云中显著性冲突的问题，并且构建了第一个点云显著对象数据集 PCSOD，并对比了五种代表模型的检测效果。

    Jul, 2022

  • 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

  • 丰富和深入监督网络用于显著性目标检测

    本文提出了一种新的显著性目标检测系统 RDS，它使用更有效的方法传递全局信息，解决传统模型中忽略背景信息的问题，并在使用目标检测数据训练模型时取得了最新的结果。

    Jan, 2019

  • 重新思考共显目标检测

    本文提出了一种更具挑战性的新的 CoSOD 基准数据集 CoSOD3k，整合了现有的 SOD 技术以构建统一的可训练 CoSOD 框架 CoEG-Net，并全面总结了 40 项尖端算法，并在三个挑战性的 CoSOD 数据集上进行了性能分析，旨在推动 CoSOD 社区的发展。

    Jul, 2020

  • 高质量分离显著对象检测

    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