CVPRApr, 2020

UC-Net：基于条件变分自编码器的不确定性启发的 RGB-D 显著性检测

PDF
TL;DR本文提出了 UCNet 框架，通过学习数据标记过程中的不确定性进行 RGB-D 显著性检测。采用概率性的 RGB-D 显著性检测网络和条件变分自动编码器建模人类注释的不确定性。通过在潜在空间中进行采样，生成多个显著性地图。通过提出的显著性共识过程，能够在多个预测中生成准确的显著性地图，从而实现了 RGB-D 显著性检测的最新技术发展。在六个具有挑战性的基准数据集上进行定量和定性评估，与 18 个竞争算法进行比较的实验表明，我们的方法是有效的。
发现论文，激发创造
  • 基于不确定性启发的 RGB-D 显著性检测

    本文提出了一种基于不确定性的随机框架，通过学习数据标记过程实现 RGB-D 显著性检测，通过引入一个潜在变量来建模标记变化，包括一个生成器模型和一个推理模型，并采用条件变分自动编码器和交替反向传播技术来推断潜在变量。在六个挑战性的 RGB-D 基准数据集上，实验表明我们的方法在学习显著性图分布方面具有优异性能。

    Sep, 2020

  • 学习不确定卷积特征以实现准确的显著性检测

    提出一种新型的基于不确定卷积特征（UCF）的卷积神经网络模型，可用于精确的显著目标检测，并引入一种有效的混合上采样方法以减少解码器网络中反卷积操作的棋盘格伪影。该模型在像素级别视觉任务上表现出色。

    Aug, 2017

  • 从深度提升显著性：深度无监督的 RGB-D 显著性检测

    本研究提出了一种基于深度学习和无监督学习的 RGB-D 显著目标检测方法，利用基于深度学习的迭代自动伪标签生成和注意力训练策略，无需人工像素级注释即可在无监督场景下提高 RGB-D 显著目标检测的效率和效果，同时也适用于全监督情况下的场景。

    May, 2022

  • 用概率 U-Net 对模糊图像进行分割

    通过使用结合了 U-Net 和条件变分自编码器的生成式分割模型，我们可以有效地产生无限数量的合理假设，以学习分割的分布，该模型可在肺部和城市街景分割任务中显着优于先前的方法，对于临床决策过程中存在的歧义问题，该模型能提供多种可能性的语义分割假设进行诊断并建议需要进一步的行动。

    Jun, 2018

  • 基于不确定性感知对称网络的快速道路分割

    本文提出了一种基于证据理论的不确定性感知对称网络（USNet），通过完全融合 RGB 和深度数据，折衷速度和准确性。实验结果表明，该方法以 43+ FPS 的实时推理速度实现了最先进的接近 100% 的准确性。

    Mar, 2022

  • 基于协同学习的准确 RGB-D 显著物体检测

    本研究提出了一种新颖的协作学习框架，其中边缘、深度和显著性以一种更有效的方式进行利用，解决了现有 RGB-D 模型中存在的问题，使其更轻量化、更快速和更多功能。实验结果表明，该模型在七个基准数据集上具有卓越的性能。

    Jul, 2020

  • UACANet：用于息肉分割的不确定性增强上下文注意力网络

    提出了 Uncertainty Augmented Context Attention 网络（UACANet），用于息肉分割。在该网络中，考虑到显著图的不确定区域，并构建了一个具有附加编码器和解码器的 U-Net 形状网络的改进版本，并在每个自下而上流的预测模块中计算显著图，并将其传播到下一个预测模块，最终实现了比以前最先进的方法更好的表现，特别是在 ETIS 数据集上获得了 76.6％的平均 Dice 系数。

    Jul, 2021

  • PDNet: 以先验模型为指导的深度增强网络用于显著目标检测

    该论文提出了一种新的架构 PDNet，它是一个鲁棒的先验模型指导的深度增强网络，用于 RGB-D 显着对象检测，在五个基准数据集上的大量评估表明，我们的提出的方法表现优异，胜过了现有的最先进方法。

    Mar, 2018

  • 神经网络 RGB->D 感知：从视频摄像机中获得深度和不确定性

    本文提出了一种基于深度学习和贝叶斯滤波的方法，从单目视频流中连续估计每个像素的深度和不确定度概率分布，通过积累时间降低深度不确定度，提高准确性和鲁棒性，该方法可将普通 RGB 相机转换成 RGB-D 相机，并实现更为精确、稳定、泛化性更好的 3D 场景重建。

    Jan, 2019

  • DeepUSPS：基于自监督的深度稳健无监督显著性预测

    提出了一种两阶段机制的方法用于非监督目标显著性预测，第一阶段使用了深度网络逐步提炼由不同手工显著性方法产生的嘈杂伪标签，其结果可用于训练第二阶段的真实显著性检测网络，该自学习过程比现有的所有非监督方法的性能都要好，甚至与完全监督的最先进方法的结果相当。

    Sep, 2019