Nov, 2020

用于光学遥感图像显著目标检测的密集注意力流体网络

HTML
PDF
TL;DR本文介绍了一种基于Dense Attention Fluid network的Remote Sensing Images (RSIs)显著性检测方法，提出了新的Global Context-aware Attention (GCA)和cascaded pyramid attention模块，并构建了包含2,000个图像的新型RSI数据集进行实验证明了该方法的明显优越性。
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

  • 高分辨率显著目标检测

    本文提出了一种新的方法，利用全局语义信息和本地高分辨率细节相结合的方式，完成高分辨率显著性区域检测，并进行了实验验证，证明本方法优于现有的最先进方法。

    Aug, 2019

  • 一种单流网络的鲁棒性和实时性RGB-D显著性目标检测

    本研究提出一种单流网络，利用深度信息实现早期融合和中期融合之间的引导，解决不同模态之间的不兼容问题，并设计了一种增强深度双重注意力模块（DEDA）和锥形局部注意提取模块（PAFE），以提高实时目标检测的准确性和效率。

    Jul, 2020

  • Siamese网络在RGB-D显著性目标检测与更多应用方面的应用

    通过 Siamese 架构的 RGB-D 联合学习和密集协同融合 (JL-DCF) 架构，本文提出了两个有效的组件：联合学习和密集的协同融合。综合实验表明，该方案在七个具有挑战性的数据集上将平均 F 值提高了 ~2.0%，并且在相关的多模态检测任务中也取得了相当甚至更好的性能。

    Aug, 2020

  • RRNet: 具有平行多尺度注意力的关系推理网络，用于光学遥感图像中的显着目标检测

    本文提出了一种基于关系推理网络和平行多尺度注意力的光学遥感图像突出对象检测方法，实验表明其定量和定性性能均优于现有最优方法。

    Oct, 2021

  • 联合红外可见光图像融合和显着性目标检测的交互增强范式

    本文提出一种基于红外和可见光图像的交互式多任务范式，通过特征筛选的融合子网和融合引导的交叉互补SOD子网相结合，进行物体定位和探测，同时提出交互式循环学习策略，以实现这两个任务的互相增强，取得了显著的效果。

    May, 2023

  • 基于Transformer的光学遥感图像显著目标检测

    基于全局到局部范式，提出了一种用于光学遥感图像中显著目标检测的全局提取局部探索网络 (GeleNet)。GeleNet首先采用Transformer骨干网络生成四级特征嵌入以捕获全局远程依赖性。然后，GeleNet利用方向感知的混洗加权空间注意力模块 (D-SWSAM) 和其简化版本 (SWSAM) 增强本地交互，并利用知识传输模块 (KTM) 进一步增强跨级上下文交互。最后，根据上述三个模块的输出，使用显著性预测器生成显著性图。对三个公共数据集进行的广泛实验证明所提出的GeleNet优于相关最先进方法。

    Sep, 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

  • 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

  • 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