Mar, 2022

基于谱聚类投票的无监督显著目标检测

PDF
TL;DR本篇论文提出了一种基于自我监督特征和谱聚类技术的无监督显著物体检测方法，使用谱聚类聚合像素并应用多种自我监督模型计算出的图像特征进行掩码提议，然后采用 “赢家通吃” 机制挑选显著掩码，以显著性物体检测为研究目标，实验结果表明相比之前的方法该算法在三个无监督显著物体检测基准上表现更佳。
unsupervisedsalient object detectionspectral clusteringself-supervised featuresobject segmentation
发现论文，激发创造
  • 基于分割频率统计的非监督式和半监督式共显目标检测

    在这篇研究论文中，我们采用无监督的频率统计方法来检测图像组中同时出现的显著对象（CoSOD），从而使我们能够开发半监督的方法。我们提出的无监督方法 US-CoSOD 结合了无监督单图像语义分割的对象共现频率统计和利用自监督特征学习的显著前景检测。我们首次展示了大规模无标签数据集（例如 ImageNet-1k）可以有效地提高无监督 CoSOD 的性能。同时，我们的无监督模型是半监督模型 SS-CoSOD 的良好预训练初始化，在训练过程中，尤其是当可用的标记数据非常有限时。为了避免在无标签数据上的预测中传播错误的信号，我们提出了一种置信度估计模块来指导我们的半监督训练。对三个 CoSOD 基准数据集的广泛实验证明，我们的无监督模型和半监督模型都显著优于相应的最先进模型（例如，在 Cosal2015 数据集上，我们的 US-CoSOD 模型相对于最先进的无监督共分割模型有 8.8% 的 F-measure 增益，而我们的 SS-CoSOD 模型相对于最先进的半监督 CoSOD 模型有 11.81% 的 F-measure 增益）.

    Nov, 2023

  • 多尺度特征对应下的自监督共显目标检测

    我们的论文介绍了一种新颖的两阶段自监督方法，用于在图像组中检测共现显著对象（CoSOD），不需要分割注释。我们的轻量级模型利用了补丁和区域级别上的特征对应，显著提高了预测性能。我们的自监督模型在三个 CoSOD 基准数据集上进行了大量实验证明，性能明显优于现有最先进模型。

    Mar, 2024

  • 基于知识迁移的统一无监督显著目标检测

    提出一种用于通用无监督显著目标检测任务的统一框架，其中包括渐进式课程学习的显著性提取机制、自我矫正的伪标签优化机制和适配器调整方法，实现了在目标任务上取得更好的迁移性能。

    Apr, 2024

  • 基于基准数据集和显著性引导的堆叠自编码器的基于视频的显著性目标检测

    本文提出了一个由人眼注视数据和手工标注的对象 8.1W 张图构成的视频显著对象检测数据集，并提出了一个基于自动编码器的无监督方法，利用该数据集证实了该方法具有很好的效果。

    Nov, 2016

  • 基于不确定性感知伪标签学习的无监督域自适应显著目标检测

    通过使用合成数据集来代替传统的手动标注，本论文提出了一种新的基于不确定性自学习的无监督域适应方法，用于深度学习中的显著物体检测任务，并在多个基准数据集中取得了超过现有深度学习方法的最佳表现，甚至与全监督方法相当。

    Feb, 2022

  • 点云显著目标检测

    本文研究了点云显著目标检测的新领域，提出了一个新的视角来解决点云中显著性冲突的问题，并且构建了第一个点云显著对象数据集 PCSOD，并对比了五种代表模型的检测效果。

    Jul, 2022

  • 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

  • 无损特征反射和加权结构损失的显著目标检测

    本文提出了一种新的基于特征学习框架的大规模显著性目标检测方法，其中利用对称全卷积网络和加权结构损失函数结合上下文和语义信息来提高准确性和空间一致性，最终在七个数据集上的实验证明了该方法的卓越表现。

    Jan, 2019

  • 逐步自引导损失用于显著目标检测

    本研究提出了一种简单而有效的深度学习自引导损失函数来促进图像中显著目标检测，该新型损失函数通过模拟形态学闭合操作来引导模型越来越全面地检测显著对象，同时帮助揭示稀疏像素的空间依赖性。另外，通过新增特征聚合模块和分支注意机制，我们的方法利用适应性特征聚合和分支注意机制来增强显著对象的检测表现，实现了与现有标准框架完全不同的表现优势。

    Jan, 2021

  • 深度学习时代的显著目标检测：深度调研

    本文综述了计算机视觉中的一个重要问题：显著物体检测（SOD）。研究者们采用基于深度学习的方法进行研究，并从算法分类法到未解决的问题等多个角度全面梳理了深度学习在 SOD 方面的最新进展，提出了一些新观点和实验结果。

    Apr, 2019