Dec, 2020

DUT-LFSaliency: 多用途数据集和光场到 RGB 显著性检测

PDF
TL;DR本研究提出了一个大规模数据集与两个流模型，用于轻场景中 Saliency 检测，并通过三个蒸馏方案提高了模型的性能和灵活性。
light fieldsaliency detectiondatasetasymmetrical two-stream modeldistillation schemes
发现论文，激发创造
  • 基于深度卷积网络的光场显著性检测

    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

  • RGB-D 显著目标检测的自适应融合

    本文提出了一种自适应融合方案，通过两个卷积神经网络中提取的特征和预测的显著性地图，学习一个切换显著性地图的开关来自适应地融合 RGB 和深度模态中所生成的显著性预测。为了实现全监督，利用显著性监督、开关映射监督和边缘保留约束来设计了一个损失函数，并通过端到端训练方式训练整个网络。经过自适应融合策略和边缘保留约束的好处，我们的方法在三个公开数据集上优于已有方法。

    Jan, 2019

  • LF Tracy: 光场相机中显著物体检测的统一单管道方法

    我们提出了一种有效的方法（LF Tracy），利用从光场相机中提取的丰富信息，并利用数据增强和信息聚合来增强显著目标检测（SOD）的性能。该方法在最新的大规模 PKU 数据集上相较于现有最先进方法取得了 23% 的改进，并且只使用了 28.9M 个参数，相比于使用 RGB 图像和使用 LF 图像的基础模型，准确性提高了 10%，增加了 3M 个额外的参数，提高了 86%。

    Jan, 2024

  • 双重本地图学习和相互引导的光场显著性检测

    本文提出了一种基于图网络的局部连接模型，来有效地融合光场数据中的特征并指导焦散堆叠融合过程，同时通过相互的引导方案实现全部焦点和焦散堆叠的特征增强，最终得出比现有方法更优的显着性预测结果。

    Oct, 2021

  • 学习来自像素级嘈杂标签：光场显著性检测的新视角

    本文提出了一种使用非监督手工特征显著性方法获取像素级嘈杂标签学习光场显著性的方法，并在多个基准数据集上进行了广泛实验，表明该框架学习的显著性预测与现有的监督学习光场显著性方法相当，其代码可以在 https URL 上获得。

    Apr, 2022

  • 光场显著性目标检测：综述与基准

    这篇论文提供了关于光场显著性检测的全面综述和基准，包括理论介绍、现有文献综述、数据集总结及统计分析、基准模型和未来挑战方向等方面。

    Oct, 2020

  • 一种统一的 RGB-T 显著性检测基准：数据集，基线，分析和新方法

    通过综合不同模态的输入方式，构建了一个适用于 RGB-T 图像的数据集，并提出了一种新的方法：多任务流形排序与跨模态一致性，大大提高了图像显著性检测的性能。

    Jan, 2017

  • 学习选择性互注意力和对比度用于 RGB-D 显著性检测

    本文旨在解决如何有效地融合 RGB-D 信息来进行显著目标检测的关键问题。通过提出一个新的互惠关注模型来融合来自不同模态的注意力和上下文信息，实现高阶和三线性交叉信息互补，从而提高 RGB-D SOD 的模型性能。同时，通过添加选择性关注来重新加权深度相关信息，提高模型的鲁棒性。在两个数据集上的实验验证了该模型的有效性。

    Oct, 2020

  • ViDSOD-100: 一个新的 RGB-D 视频显著物体检测数据集和基线模型

    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

  • 深度敏感关注和自动多模态融合的 RGB-D 显著性检测

    本文提出了一种深度敏感的 RGB 特征建模方案，并使用深度几何先验来实现特征增强和背景分心减少。另外，我们还提出了一种自动架构搜索方法来进行 RGB-D 显着对象检测，取得了比现有技术更好的结果。

    Mar, 2021