Jun, 2021

保留位置信息的显著目标排名注意力模型

PDF
TL;DR本文研究了显著对象排名任务 (SOR)，提出了第一个端到端的 SOR 框架，并采用多任务学习的方式来解决它。该框架同时处理实例分割和显著性对象排名，而且 SOR 分支与不同检测方法相互独立而灵活，易于使用。我们还引入了一个面向 SOR 分支的位置保留注意力 (PPA) 模块，通过在 ROI pooling 运算中保留对象的绝对坐标，将位置信息融合到语义特征中，采用注意力机制来获得提议的上下文化表示，以预测它们的相对排序，实验表明该方法明显优于之前最先进的方法。
instance segmentationrelative saliencymulti-task learningposition-preserved attentionsalient object ranking
发现论文，激发创造
  • 使用图推理进行实例级别的相对显著性排名

    本文提出了一种新颖的统一模型来同时分割显著实例并推断它们的相对显著性顺序，该模型首次使用改进的 Mask R-CNN 进行显著实例分割，然后添加显著性排名分支来推断相对显著性。对于相对显著性排名，我们构建了一个新的图形推理模块，通过将四个图形结合起来以分别引入实例间相互关系、局部对比度、全局对比度和高层语义先验。该文的实验结果表明，我们提出的模型比以前的方法更加有效。

    Jul, 2021

  • 双向物体 - 背景优先级学习用于显著性排名

    该论文提出了一种新颖的双向方法，将空间注意力和基于对象的注意力相结合，通过模拟所关注区域和对象之间的相互作用和因果关系来实现显著性排序

    Mar, 2022

  • 重新思考目标显著性排序：一种新颖的整体流处理范式

    本文提出了一种新的显著性排序范式，旨在通过 “重要性顺序” 对显著对象进行完全排序，分析了现有的显著性排序方法存在的问题，并从 “GT 数据生成”、“网络结构设计” 和 “训练协议” 等角度提出了整体处理范式。通过广泛的实验证明，该方法在广泛使用的 SALICON 数据集上优于现有的最先进方法。

    Dec, 2023

  • 重访显著物体检测：多显著物体的同时检测、排名和瞬时估算

    本文提出了一种基于深度学习和分层表示的相对显著性检测方法，解决了在多个观察者查询时显著对象定义模糊的问题，同时还能够用于解决显著性目标子计数问题，并在所有指标上的性能优于先前的任何工作。

    Mar, 2018

  • 实例级显著目标分割

    本篇论文介绍了如何通过使用深度卷积神经网络，建立图像中的显著性实例分割方法，通过一个多尺度显著实例分割网络生成高质量的显著性分割结果，并在公共基准测试中取得了最优的结果。

    Apr, 2017

  • 利用语义先验的显著目标检测

    本文提出了将语义先验嵌入显式和隐式显著性图中的算法，以形成像素精度显著性图。在 ECSSD 和 HKUIS 两个具有挑战性的数据集上进行的广泛实验表明，本方法优于其他最新方法。

    May, 2017

  • 显著物体检测：一种判别区域特征融合方法

    本文提出一种基于多层图像分割的监督学习方法，将区域特征向量映射到显著性得分，最终融合多个级别的得分来产生显著图，同时通过研究区域对比度和背景性质，实现了在六个基准数据集上优于现有方法的显著物体检测算法。

    Oct, 2014

  • 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

  • 通过关注机制增强显著目标分割

    该研究通过迭代地关注图像补丁并进一步增强预测的分割掩模，使用基于 ConvGRU 网络的聚合策略独立估算每个图像补丁的显著性特征，实现端到端的图像分割，较现有方法表现更优，消除背景噪声和假阳性。

    May, 2019

  • 高质量分离显著对象检测

    本文提出一种新的深度学习框架，用于高分辨率显著目标检测任务，该框架将任务分离成低分辨率显著性分类网络（LRSCN）和高分辨率细化网络（HRRN），实现低分辨率感知和高分辨率精细调整的显著目标检测，基于此框架的实验结果表明，本文所提方法在高分辨率显著性检测方面具有优越性能。

    Aug, 2021