May, 2020

U$^2$-Net：嵌套 U 结构深度增强的显著目标检测

PDF
TL;DR该论文使用深度网络架构设计了 U$^2$-Net 来进行显著对象检测，其优点是可以在不显著增加计算成本的前提下增加整个结构的深度，并能够从不同的尺度捕获更多的背景信息。
deep network architecturesalient object detectionu$^2$-netresidual u-blockscontextual information
发现论文，激发创造
  • 光学遥感图像显著目标检测中的双流金字塔嵌套网络

    本文提出了基于深度学习的 LV-Net 算法，采用 L 形和 V 形两个核心模块来从光学遥感图像中检测显著物体， 并构建了一个含有 800 张图像的公共数据集。实验证明，该算法在质量和数量上均优于现有算法。

    Jun, 2019

  • SODAWideNet -- 不需 Imagenet 预训练的带注意力扩展的 Wide 编码解码网络中的显著目标检测

    提出了一个新的显著目标检测（SOD）模型 —SODAWideNet，它采用从头开始训练的神经网络，通过扩张卷积和自注意力机制等技术实现浅层网络，取得了与最先进模型相媲美的性能。

    Nov, 2023

  • M$^3$Net：多层、混合与多阶段注意力网络用于显著目标检测

    提出了用于显著性目标检测的多层次、混合和多阶段注意力网络（M$^3$Net），包括多尺度交互块和混合注意力块，并引入多层次监督策略进行聚合特征的优化。在六个具有挑战性的数据集上的实验证明，所提出的 M$^3$Net 在四个指标上优于最近的 CNN 和基于 Transformer 的显著性目标检测方法。

    Sep, 2023

  • 现实世界中轻量级的高分辨率主题抠图

    为解决现有显著性目标检测（SOD）方法在高分辨率场景中无法同时满足快速推理和准确结果的问题，本文提出了构建高分辨率显著性目标抠图数据集 HRSOM 和轻量级网络 PSUNet 的方法。在单个 640×640 像素图像上运行的推理时间仅为 113 毫秒，在模型客观评估和主观评估方面均优于行业标杆 IOS16。

    Dec, 2023

  • DC-Net: 显著目标检测的分治方法

    本文提出使用分而治之的思想来优化显著目标检测任务，并设计了基于此思想的 DC-Net 神经网络模型，其中包含两个编码器和一个解码器，通过预测边缘地图和显著对象位置地图来预测最终显著性图，并采用两级 ResASPP 模块来捕获不同尺度特征，最终在六个 LR-SOD 和五个 HR-SOD 数据集上取得竞争性的性能。

    May, 2023

  • 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

  • SalFAU-Net：显著性融合关注 U-Net 用于显著目标检测

    我们提出了一种名为 Saliency Fusion Attention U-Net (SalFAU-Net) 的模型，它在每个注意力 U-net 模型的解码器块中合并了一个显著性融合模块，从而可以准确地检测具有多个对象、小物体或低分辨率对象的具有挑战性场景的显著对象。我们通过使用二值交叉熵损失函数在 DUTS 数据集上训练 SalFAU-Net，并在六个流行的 SOD 评估数据集上进行实验以评估所提方法的有效性。实验结果表明，我们的方法在平均绝对误差（MAE）、F - 值、s - 值和 e - 值方面与其他方法相比具有竞争性的性能。

    May, 2024

  • 边缘保护和多尺度上下文神经网络用于显著目标检测

    本研究提出了一种新的神经网络，用于保护边缘和多尺度语境下的显著对象检测。该框架旨在解决现有的基于 CNN 的方法存在的两个限制：区域 CNN 方法缺乏足够的上下文来准确定位显著对象，而基于像素的 CNN 方法由于卷积和池化层的存在而具有模糊的边界。该方法可广泛应用于 RGB-D 显著性检测，并具有清晰的检测边界和多尺度语境下的鲁棒性。实验结果显示，该方法在六个 RGB 和两个 RGB-D 基准数据集上均取得了最优性能。

    Aug, 2016

  • RDSNet：一种新的深度架构，用于互逆物体检测和实例分割

    本篇论文提出了一种新的两流式结构深度架构 RDSNet，通过引入物体级别和像素级别学习特征，在目标检测和实例分割之间实现双向性，以获取更高精度的分割结果和更准确的边界框。

    Dec, 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