CVPRJan, 2020

看得更多，知道得更多：利用联合注意力孪生网络进行无监督视频对象分割

PDF
TL;DR提出了一种名为 COSNet 的新型网络，用于表示全局视角下的无监督视频对象分割任务，其中利用全局注意机制结合视频帧之间的相关性，训练效果超越当前的深度学习方法。
video object segmentationco-attention siamese networkco-attention mechanismdeep learningcontext mining
发现论文，激发创造
  • 面向组群分割的统一 Transformer 框架：协同分割，共同显著性检测和视频显著对象检测

    该论文提出了一个名为 UFO 的统一框架，通过引入自注意机制和内部 MLP 学习模块，结合图像的空间信息和特征相似性，实现了针对协同分割、协同显著性检测和视频显著性对象检测的多任务单一网络架构，实验结果表明，该方法在精度和速度方面均优于现有方法。

    Mar, 2022

  • 基于语义感知注意力的深度对象共分割

    使用基于注意力机制的深度神经网络提出了面向对象共分割的注意力机制，同时使用注意力学习者算法实现了线性时间复杂度的多输入图像分割，实验结果表明，该模型在多个数据集上取得了最先进的性能，并大幅降低了计算时间。

    Oct, 2018

  • 图注意力跟踪

    本文提出了一种简单的基于目标感知的 Siamese 图注意力网络解决视觉跟踪中的相似性匹配问题，通过建立完全二分图建立目标和搜索区域之间的部分对部分对应关系，并应用图注意力机制从模板特征传播目标信息到搜索特征，使用目标感知区域选择机制适配不同对象的大小和纵横比变化，实验证明该算法优于现有基于深度学习的最先进跟踪器。

    Nov, 2020

  • 自监督视听表示学习的协同关注网络

    本文提出了一种基于自我监督和共注意力机制的框架，通过区分具有关联性的视觉和声音信息，提出了三种不同的共注意力模块以训练神经网络，并通过测试了解了该方法的广泛和可转移性，成功地在先前的任务中取得了最先进的结果，解决了多声源场景的问题。

    Aug, 2020

  • 多视图子空间学习的深度共注意力网络

    本研究提出了一种基于深度学习的共同关注网络，用于多模态数据的子空间学习，能够提取共性信息和补充信息，并通过协同关注机制向最终用户提供预测的解释。通过引入分类器和交叉重构损失以优化潜在表示和加速收敛速度，最终在合成数据和实际数据集上进行了广泛评估。

    Feb, 2021

  • SpotNet: 自注意力多任务网络用于目标检测

    本研究旨在通过多任务学习方式训练一个网络实现视觉注意力，使用半监督学习方式生成前 / 背景分割标签，进而训练目标检测模型，利用分割地图实现自我注意机制，获得在交通监控领域两个数据集上显著的 mAP 改进，UA-DETRAC 和 UAVDT 数据集上均实现了最先进的结果。

    Feb, 2020

  • 通过关注图神经网络进行零样本视频物体分割

    提出了一种新的关注图神经网络 (AGNN)，用于零样本视频对象分割 (ZVOS)。所提出的 AGNN 将此任务作为视频图上迭代信息融合的过程。通过参数化消息传递，AGNN 能够有效地捕捉和挖掘视频帧之间更丰富和更高阶的关系，因此实现更全面的视频内容理解和更准确的前景估计。扩展 AGNN 到另一个任务时，我们进一步证明了我们的框架的通用性。广泛的实验验证了 AGNN 能够学习视频帧或相关图像之间的潜在语义 / 外观关系，并发现共同的对象。

    Jan, 2020

  • F2Net: 基于学习前景关注的无监督视频目标分割

    本文提出了一种新颖的‘Foregraound Network (F2Net)’，使用 Siamese 编码器模块、中心引导外观扩散模块和动态信息融合模块等方法，实现了在深度学习和视频对象分割的领域内的最新成果，提高了分割性能。

    Dec, 2020

  • 基于 Co-Attention 全卷积网络的共同显著性检测

    本文提出了嵌入了共同注意力模块的全卷积网络框架，称为共同注意力 FCN (CA-FCN)，旨在检测一组相关图像中的共同显著对象。实验表明，CA-FCN 在大多数情况下优于现有算法，同时通过消融研究证明了新共同注意力模块的有效性。

    Aug, 2020

  • 双重注意力网络用于场景分割

    本文通过应用双重注意力网络 (DANet) 和自注意力机制来捕捉语境相关性，以实现更准确的场景分割，在 Cityscapes 数据集上取得了 81.5% 的平均 IoU 得分，并提供了相应的代码和训练模型。

    Sep, 2018