Apr, 2020

动态特征整合技术在显著目标、边缘和骨架同时检测中的应用

PDF
TL;DR本文提出了一种基于统一框架的低级像素视觉问题解决方法，通过选择性整合模块和任务自适应注意力模块实现，经实验验证不同的任务可以在同一个框架下进行训练，并在多个代表性数据集上证明了该方法的有效性。
pixel-wise visionunified frameworkend-to-end trainingselective integration moduletask-adaptive attention module
发现论文，激发创造
  • 多任务视觉感知的动态特征交互框架

    本研究提出了一种高效的统一框架 D2BNet，该框架可以同时解决多个常见的感知任务，如实例分割、语义分割、单目 3D 检测和深度估计，并在 nuScenes 和 Cityscapes 等数据集中实现了与以往作品相当的结果和最佳结果。

    Jun, 2023

  • 基于骨架序列和 RGB 帧的多模态特征融合网络用于动作识别

    本文研究动作识别，提出一种基于多模态特征融合网络的方法，将骨架序列和 RGB 帧的关键信息相结合，以此保留补充信息的同时大大降低了其网络的复杂性。实验表明，所提出的模型能够与现有最先进的方法相比取得竞争性的表现。

    Feb, 2022

  • 联合多模态图像融合及其它应用的二层动态学习

    本文描述了一种层次双任务驱动的深度模型，用于多模态场景感知，包括图像融合和场景理解。该模型不仅能够产生视觉良好的融合结果，而且比现有技术实现了显著的检测和分割优势。

    May, 2023

  • DeepSaliency：多任务深度神经网络模型用于显著目标检测

    本研究提出了一种基于全卷积神经网络的多任务深度显着性模型，通过数据驱动的策略对显着性先验信息进行编码，并设置一个多任务学习框架来探索显着性检测和语义图像分割之间的内在相关性。实验结果表明，与现有方法相比，该方法在显着性对象检测方面具有明显的优势。

    Oct, 2015

  • 多尺度交互网络用于显著性目标检测

    本研究提出了 “aggregate interaction modules” 和 “self-interaction modules” 等方法来处理深度学习中显著目标检测中存在的变量规模和未知类别等挑战，同时，使用 “consistency-enhanced loss” 方法来处理由于尺度变化导致的类别失衡问题，从而提升对前 / 背景差异的识别和类内一致性的维持。实验结果在五个基准数据集上表明，该方法无需后处理即可比 23 种最先进的方法表现优异。

    Jul, 2020

  • RGB-D 显著目标检测的自适应融合

    本文提出了一种自适应融合方案，通过两个卷积神经网络中提取的特征和预测的显著性地图，学习一个切换显著性地图的开关来自适应地融合 RGB 和深度模态中所生成的显著性预测。为了实现全监督，利用显著性监督、开关映射监督和边缘保留约束来设计了一个损失函数，并通过端到端训练方式训练整个网络。经过自适应融合策略和边缘保留约束的好处，我们的方法在三个公开数据集上优于已有方法。

    Jan, 2019

  • 基于分叉骨架策略的 RGB-D 显著目标检测

    本研究提出了一种用于 RGB-D 显著目标检测的新型级联精炼网络架构，采用分叉骨干策略（BBS）将多层特征分为教师和学生特征，使用增强深度模块（DEM）从通道和空间视图中挖掘信息深度线索，并以互补方式融合 RGB 和深度模态。实验证明，该方法在五个评估指标下显著优于十八个先进模型，是一种高效且无依赖骨干的多模式学习策略。

    Jul, 2020

  • 通过分离主体和边缘监督来改进语义分割

    提出了一种新的语义分割方法，即显式地建模图像的高频和低频部分，称为目标的对象内部一致性和对象边界，并采用解耦监督的方法对其进行优化。该方法在四个主要路景场景语义分割基准测试中均表现出了最新的技术水平。

    Jul, 2020

  • 基于全卷积网络的视频显著对象检测

    本文提出了一个深度学习模型，通过数据增强技术和动态显著性模型来高效地检测视频中的显著区域，该模型在 DAVIS 和 FBMS 数据集上达到了最新的性能标准。

    Feb, 2017

  • 将显著性检测分解为级联细节建模和身体填充

    本文提出利用细节建模和目标填充两个层级任务，通过两个多尺度注意力模块有效融合特征和处理不同尺度的对象，提高显著性检测表现，达到了当前六个公共数据集中最优的实验结果。

    Feb, 2022