Mar, 2020

全局上下文感知逐步聚合网络用于显著性目标检测

PDF
TL;DR该研究提出了一个名为 GCPANet 的新网络，采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征，并通过监督学习生成显着性图像。此外，还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块，以进一步提高网络性能。实验结果表明，该方法在六个基准数据集上的表现比现有方法都要好。
deep convolutional neural networkssalient object detectionfeature integrationcontext-aware feature interweaved aggregationglobal context flow
发现论文，激发创造
  • 基于遗传算法的特征选择和上下文集成的深度学习模型

    本研究提出了一种新型的三层深度学习模型，通过引入一对多二元类别学习器，学习遗传算法优化的特征，并同时学习全局和局部上下文信息，从而优化整个模型以在图像分割方面取得有希望的结果。

    Apr, 2022

  • 级联侵蚀深度监督的显著目标检测

    在深度卷积神经网络中，通过设计全局 - 局部对齐关注（GAA）网络和边缘侵蚀的深度监督策略，减少了插值对特征和标签的负面影响，相比现有方法，在五个常用数据集上实现了更好的结果。

    Nov, 2023

  • 全局上下文聚合网络用于轻量级表面缺陷显著性检测

    表面缺陷检测是一个具有挑战性的任务，传统高精度的缺陷检测方法通常需要昂贵的计算和存储成本。因此，本文提出了一种基于编码 - 解码结构的全局上下文聚合网络 (GCANet) 来实现轻量级表面缺陷的显著性检测。GCANet 在轻量级骨干网络的顶部引入了一个新颖的 Transformer 编码器，并通过一种新颖的深度自注意 (DSA) 模块捕获全局上下文信息。此外，本文还引入了一种新颖的通道参考注意 (CRA) 模块，用于在解码器块之前加强来自不同层级的多级特征的表示。实验结果表明，与其他 17 种最先进方法相比，GCANet 在准确性和运行效率之间取得了更好的平衡，在三个公开的缺陷数据集上取得了竞争性的结果。

    Sep, 2023

  • GCA-Net：利用门控上下文注意力提升图像篡改定位和检测效果

    本论文提出一种新颖的门控上下文注意网络（GCA-Net），使用非局部注意机制和门控机制捕捉图像不一致特征，以更好地识别图像中伪造的区域。经过标准图像取证测试，该方法相对于最先进的网络平均值提高了 4.7% 的 AUC，并且对归因具有鲁棒性，并且对误报具有抗性。

    Dec, 2021

  • F3Net: 融合、反馈和聚焦用于显著目标检测

    本文提出 F3Net 算法，通过交叉特征模块和级联反馈解码器，结合像素位置感知损失函数，实现高效的显著目标检测，能够在各项指标上优于现有算法。

    Nov, 2019

  • 金字塔特征注意力网络用于显著性检测

    通过提出金字塔特征注意力网络来解决视觉注意力检测中如何提取有效特征的问题，该网络能够关注高层次的上下文特征和低层次的空间结构特征，并在这些特征图上应用通道注意和空间注意，然后将它们进行融合，最后通过边缘保护损失来引导网络学习边界定位中更详细的信息。在五个基准数据集上进行的广泛评估表明，该方法在不同的评估指标下优于现有的基准方法。

    Mar, 2019

  • 一种基于简单池化设计的实时显著目标检测方法

    研究如何扩展卷积神经网络中的池化作用来解决显著性目标检测问题，首先在 U 形架构下构建全局引导模块，然后使用特征聚合模块使粗略层次的语义信息与来自自上而下路径的细节信息很好地融合，最终能够更准确地定位显著对象并具有更高的运行速度。

    Apr, 2019

  • 抑制与平衡：一个简单的门控网络用于显著物体检测

    该研究提出了一种基于 GateNet 和 Fold-ASPP 的神经网络结构，能够通过多层门单元实现更好的编解码器信息交流控制，并在五个数据集上表现优异，用于显著目标检测。

    Jul, 2020

  • 目标检测的关注上下文

    通过开发一种名为 AC-CNN 的新型神经网络模型，将全局和局部上下文信息有效地结合到区域卷积神经网络中，提高了目标检测性能，特别是在 PASCAL VOC 2007 和 VOC 2012 数据集上，与目前主流的 Fast-RCNN 算法相比在 mAP 方面分别提高了 2.0％和 2.2％

    Mar, 2016

  • 基于上下文编码器 - 解码器网络的视觉显著性预测

    该论文提出了一种基于卷积神经网络的方法，通过提取多尺度的高级视觉特征和上下文信息，结合全局场景信息，用于准确预测视觉显著性，可以适用于资源受限的应用，如（虚拟）机器人系统，从而在多个基准测试数据集上取得了有竞争力和一致的结果。

    Feb, 2019