CoADNet: 协作聚集和分布网络用于共同显著目标检测
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
本文提出了一种全局和局部协同学习架构(GLNet),包括全局对应建模和局部对应建模,以从全局和局部角度捕获不同图像之间的全面对应关系来学习共同显著对象检测(CoSOD)任务。在三个普及的 CoSOD 基准数据集上进行评估,证明了我们的模型在小数据集(约 3k 张图像)上训练仍然优于一些大数据集上训练的十一个最先进的竞争对手。
Apr, 2022
给定一组图像,合作显著目标检测(CoSOD)的目标是突出显示每个图像中的共同显著对象。本文提出了一种基于分层 Transformer 模块的方法,用于提取语义级共识,以获得对公共对象类别更全面的表示,并排除与目标对象具有局部相似性的其他对象的干扰。此外,还提出了一种基于 Transformer 的分散模块,它考虑了不同场景中协同显著对象的变化。它以图像特征图的图像特定方式对共识进行分发,同时充分利用组内的交互。这两个模块与 ViT 编码器和类似 FPN 的解码器一起集成成一个可端到端训练的网络,不需要额外的分支和辅助损失。该方法在三个常用的 CoSOD 数据集上进行评估,并取得了最先进的性能。
Sep, 2023
Co-Salient Object Detection (CoSOD) is improved by introducing a new training set called CoSINe dataset, allowing better performance with fewer images compared to existing datasets. Hierarchical Instance-aware COnsensus MinEr (HICOME) approach efficiently mines consensus features and achieves state-of-the-art performance on existing CoSOD test sets.
Jan, 2024
本研究提出一种新的团体协作学习框架,名为 GCoNet,可以实时(16ms)检测协同显著对象,同时采用两个必要标准,即群体内紧凑性和群体间可分性来挖掘共识表征;此外,为了学习更好的嵌入空间,我们明确地采用辅助分类监督。实验证明,我们的 GCoNet 模型在多个重要的计算机视觉应用中表现出色。
Mar, 2021
探索了无需训练过程的零样本共显目标检测框架,结合了零样本转移能力的计算机视觉模型,通过引入群组提示生成模块和共生图生成模块,实现了令人印象深刻的结果,超过了现有无监督方法并且在 2020 年之前的全监督方法上也表现出良好竞争力。
Sep, 2023
该研究提出了一种新颖的记忆辅助对比共识学习框架 (MCCL),该框架通过利用注意力机制查找共同的对象来有效地检测共同显著对象,同时提高了预测地图的质量和完整性。
Feb, 2023
通过学习共显对象的概念,并利用该概念来净化对抗扰动,本文提出了一种新的增强鲁棒性的框架,可以显著提高共显对象检测方法的鲁棒性。
Mar, 2024
为提高共显著目标检测模型的鲁棒性,在开放世界场景下处理无关图像时引入了一种群组选择性交换掩模 (GSEM) 方法。GSEM 采用两组图像作为输入,每组包含不同类型的显著对象,并使用一种基于学习的策略选择每组中的子集图像,并进行交换。为同时考虑不相关图像引入的不确定性和群组中其余相关图像的一致特征,设计了潜变量生成器分支和共显著目标检测转换器分支,最终通过基于 Transformer 的解码器生成鲁棒预测结果。构建了三个开放世界基准数据集 OWCoSal、OWCoSOD 和 OWCoCA 来评估模型的鲁棒性和实用性。
Oct, 2023
本文提出了对抗 CoSOD 攻击的一种新方法,即黑盒联合对抗曝光和噪声攻击(Jadena),旨在使用新的高特征级别的对比敏感损失函数来处理网上共享的大量个人照片中面临的隐私和安全问题,并用于评估 CoSOD 方法的鲁棒性。
Sep, 2020