Apr, 2022

金字塔嫁接网络用于单阶段高分辨率显著性检测

HTML
PDF
TL;DR本文提出了一种名为Pyramid Grafting Network的单阶段框架，使用转换器和CNN骨干从不同分辨率图像中独立提取特征，然后将转换器分支的特征嫁接到CNN分支上，并提出了一种基于注意力的跨模型嫁接模块及一种名为Attention Guided Loss的技术，采用新的高分辨率图像UHRSD数据集验证了其优异性能。
发现论文，激发创造
  • 级联部分解码器用于快速准确的显著物体检测

    本研究提出了一种基于CPD框架的新型显著性物体检测方法，通过构建部分解码器，丢弃低分辨率因素以促进加速，在深层次集成特征的基础上，利用生成的显著图来精调骨干网络的特征，从而显著提高显著性目标检测的准确性和速度。

    Apr, 2019

  • 高分辨率显著目标检测

    本文提出了一种新的方法，利用全局语义信息和本地高分辨率细节相结合的方式，完成高分辨率显著性区域检测，并进行了实验验证，证明本方法优于现有的最先进方法。

    Aug, 2019

  • 抑制与平衡：一个简单的门控网络用于显著物体检测

    该研究提出了一种基于GateNet和Fold-ASPP的神经网络结构，能够通过多层门单元实现更好的编解码器信息交流控制，并在五个数据集上表现优异，用于显著目标检测。

    Jul, 2020

  • 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

  • 金字塔式关注网络用于显著性检测

    该研究利用RGB图像估计深度信息，使用金字塔式的注意力机制从中提取多层级卷积变换的特征，综合使用残差卷积注意力解码器进行显著性预测，取得了比21种RGB SOD方法和40种RGB-D SOD方法更为优异的性能表现。

    Apr, 2022

  • M$^3$Net：多层、混合与多阶段注意力网络用于显著目标检测

    提出了用于显著性目标检测的多层次、混合和多阶段注意力网络（M$^3$Net），包括多尺度交互块和混合注意力块，并引入多层次监督策略进行聚合特征的优化。在六个具有挑战性的数据集上的实验证明，所提出的M$^3$Net在四个指标上优于最近的CNN和基于Transformer的显著性目标检测方法。

    Sep, 2023

  • 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

  • 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

  • FIPGNet：基于金字塔嫁接网络的特征交互策略

    我们提出了一种新的显著性物体检测框架(FIPGNet)，它是一个具有特征交互策略的金字塔嫁接网络。该方法利用注意力机制和特征交互策略，解决了当前金字塔嫁接网络模型中显著目标定位的问题。实验证明，该方法在四个指标上超过了当前 12 种显著性物体检测方法。

    Jul, 2024

  • PGNeXt：通过金字塔嫁接网络进行高分辨率显著物体检测

    本研究解决了高分辨率显著物体检测（HRSOD）数据集不足的问题，提出了一个大规模的数据集UHRSD，包含5920张高分辨率实景图像。同时，提出了一种新颖的金字塔嫁接机制框架，以更好地平衡采样深度和感受野大小。实验结果表明，该方法能够有效定位显著物体并保留丰富细节，超越了现有的最先进方法。

    Aug, 2024