光场显著性目标检测:综述与基准
本文综述了计算机视觉中的一个重要问题:显著物体检测(SOD)。研究者们采用基于深度学习的方法进行研究,并从算法分类法到未解决的问题等多个角度全面梳理了深度学习在 SOD 方面的最新进展,提出了一些新观点和实验结果。
Apr, 2019
本文对显著物体检测模型进行了全面评估,发现现有 SOD 数据集中普遍存在偏见性,即假设每幅图像中至少包含一个低噪声的显著物体。这种偏见导致现有数据集上的最新 SOD 模型性能过高,但在面临实际场景时仍表现不尽如人意。该研究提出了一个综合、平衡且高质量的新数据集 SOC,该数据集包含各种日常物品的显著和非显著物体,并提供反映实际情况的通用挑战属性。最后,本文还对该数据集进行了基于属性的性能评估。
Mar, 2018
提出了一种新颖的深度感知显著目标检测框架,采用多层深度感知规则全面优化 SOD 特征,并将深度信息作为误差加权映射来修正分割过程,该框架在利用 RGB 信息作为输入进行推断时优于现有的 RGB SOD 方法和 RGBD 方法的性能表现,并具有轻量级的实现方式。
May, 2020
本研究提出了一种新的基于 CNN 的光场显著性检测框架,提出了三个新颖的 MAC(模型角度改变)块来处理光场微透镜图像,同时还建立了一个大规模的数据集和标准,可以用来训练更深的神经网络和进行评测,实验证明,我们的方法在该数据集上明显优于现有的最先进方法,并在其他数据集上具有理想的泛化能力。
Jun, 2019
本文提出了一种更具挑战性的新的 CoSOD 基准数据集 CoSOD3k,整合了现有的 SOD 技术以构建统一的可训练 CoSOD 框架 CoEG-Net,并全面总结了 40 项尖端算法,并在三个挑战性的 CoSOD 数据集上进行了性能分析,旨在推动 CoSOD 社区的发展。
Jul, 2020
通过构建 RDVS 数据集和引入 DCTNet+,本文在 RGB-D 视频中进行了显著目标检测,通过使用多模态注意力模块实现了多模态特征的增强与融合,实验结果表明 DCTNet + 在 17 个 VSOD 模型和 14 个 RGB-D SOD 模型中表现优越。
Oct, 2023
通过收集新的注释 RGBD 视频 SOD(ViDSOD-100)数据集和提出了一种名为 ATF-Net 的新基线模型,本研究在 RGBD 视频显着目标检测方面取得了更好的性能。
Jun, 2024
通过在 6 个具有挑战性的数据集上定量和定性地比较 40 个最先进的模型(28 个显著性目标检测、10 个注视预测、1 个目标性、1 个基准)以进行显著目标检测和分割方法的基准测试,评价显示,这个领域在准确度和运行时间方面在过去几年里有了持续的快速进步。对于这个问题,我们发现显著目标检测专门设计的模型通常比相关领域中的模型表现更好,这为问题的精确定义提供了提示,并提出了一些可能的解决方案和未来的研究方向。
Jan, 2015