通过数据级矛盾建模和任务级矛盾建模,引入不确定性感知学习流程,从而在突显物体检测和伪装物体检测任务中充分探索矛盾信息。为了更好地理解这两个任务的不确定性,我们广泛研究了不确定性估计技术,以实现对每个任务的困难区域进行有效估计和学习。实验结果表明,我们的解决方案在基准数据集上取得了最先进的性能和有意义的不确定性估计。
Jul, 2023
本文提出了一种简单而有效的基于 Vision Transformer(ViT)的网络(SENet),通过采用一种基于不对称 ViT 的编码器 - 解码器结构的简单设计,在隐藏目标检测和显著目标检测两个任务上取得了有竞争力的结果,在精细设计的复杂网络上展现出更大的多样性。
Feb, 2024
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
基于 VSCode 模型和 2D prompt 学习的引入,共同解决了四个显著目标检测任务和三个伪装目标检测任务,实现了在 26 个数据集上六个任务的最优结果,并通过结合 2D prompts,如 RGB-D COD,呈现了对未见任务的零样本泛化能力。
Nov, 2023
本文提出了一种基于 Vision-Transformer 的语义蒸馏协助显著目标检测方法,通过融合从生成的图像字幕中语义蒸馏的知识,可以更好地揭示物体之间、物体与环境之间的显著性,并弥补了昂贵标注的主观性不足。在五个基准数据集上的综合实验表明,SDG-SOD 在四个评估指标上优于现有技术,并大大提高了 DUTS、ECSSD、DUT、HKU-IS 和 PASCAL-S 数据集上的模型性能。
Mar, 2022
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
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
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
超分辨率 (SR) 和伪装物体检测 (COD) 是计算机视觉领域中的两个热门主题,本文首次进行了这两个领域的综合比较评估,基于常用的 COD 数据集对不同的超分辨率方法进行基准测试,同时通过使用 SR 方法处理的 COD 数据评估不同的 COD 模型的鲁棒性,旨在构建这两个领域之间的连接,发现新的实验现象,并总结新的实验结果。
Aug, 2023
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