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

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。
saliency analysissaliency detectionremote sensing imagesattention mechanismdataset
发现论文，激发创造
  • 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

  • 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

  • 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

  • HyperFusion-Net: 密集反射融合用于显著目标检测

    在本篇论文中，我们提出了一种基于像素分类的新型特征学习框架，并将显著目标检测作为像素分类问题来解决，该方法采用了名为 HyperFusion-Net 的密集分层特征融合网络，结合 ICNN 和超密集融合机制，它能够自动预测最重要的区域并以端到端的方式分割相关物体，实验结果表明该方法在七个公共数据集上的表现均显著优于其他现有最先进的方法。

    Apr, 2018

  • 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

  • 面向 RGB-D 显著性目标检测的分层动态滤波网络

    本文提出了一种新的动态扩张金字塔模块和混合增强损失函数，在 RGB-D 显著目标检测方面表现优于现有方法。

    Jul, 2020

  • 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

  • CAD-Net: 远程感知图像中物体的上下文感知检测网络

    本文提出了 CAD-Net，一种新的目标检测网络，利用关注调制特征以及全局和本地上下文来应对使用光学遥感图像进行目标检测的新挑战。实验证明，该网络在两个远程感知图像对象检测数据集上表现良好。

    Mar, 2019

  • 光场显著目标检测的引导式焦距叠加细化网络

    本研究提出了一种新的带引导的聚焦层栈细化神经网络（GFRNet）来优化轻场景中显著目标检测的性能，并利用多模态特征引导进行精细化的聚焦细化。

    May, 2023

  • 级联图神经网络用于 RGB-D 显著物体检测

    本文主要介绍了如何运用 Cascade Graph Neural Networks 框架，综合利用颜色和深度两种信息源，以达到更好的 RGB-D 显著目标检测性能。通过采用新颖的 Cascade Graph Reasoning 模块，对两种数据进行处理并建立高层次关系，可以更好地应对诸如遮挡和不确定因素带来的挑战。实验结果表明，该方法在多个常用基准测试中均取得了优异的性能表现。

    Aug, 2020