ICLRMay, 2022

从深度提升显著性：深度无监督的 RGB-D 显著性检测

PDF
TL;DR本研究提出了一种基于深度学习和无监督学习的 RGB-D 显著目标检测方法，利用基于深度学习的迭代自动伪标签生成和注意力训练策略，无需人工像素级注释即可在无监督场景下提高 RGB-D 显著目标检测的效率和效果，同时也适用于全监督情况下的场景。
rgb-d salient object detectiondeep learningunsupervised learningpseudo-labelsattentive training
发现论文，激发创造
  • 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

  • RGB-D 视频中的显著目标检测

    通过构建 RDVS 数据集和引入 DCTNet+，本文在 RGB-D 视频中进行了显著目标检测，通过使用多模态注意力模块实现了多模态特征的增强与融合，实验结果表明 DCTNet + 在 17 个 VSOD 模型和 14 个 RGB-D SOD 模型中表现优越。

    Oct, 2023

  • 深度对醒目目标检测真正必需吗？

    提出了一种新颖的深度感知显著目标检测框架，采用多层深度感知规则全面优化 SOD 特征，并将深度信息作为误差加权映射来修正分割过程，该框架在利用 RGB 信息作为输入进行推断时优于现有的 RGB SOD 方法和 RGBD 方法的性能表现，并具有轻量级的实现方式。

    May, 2020

  • 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

  • RGB-D 显著物体检测：综述

    本文从各个角度综述了基于 RGB-D 的显著性目标检测模型，并详细回顾了相关基准数据集。此外，我们进行了综合评估，并探讨了未来研究的挑战和方向。

    Aug, 2020

  • 基于协同学习的准确 RGB-D 显著物体检测

    本研究提出了一种新颖的协作学习框架，其中边缘、深度和显著性以一种更有效的方式进行利用，解决了现有 RGB-D 模型中存在的问题，使其更轻量化、更快速和更多功能。实验结果表明，该模型在七个基准数据集上具有卓越的性能。

    Jul, 2020

  • 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

  • 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

  • 基于三维卷积神经网络的 RGB-D 显著性目标检测

    该研究提出了一种名为 RD3D 的深度学习模型，其采用前编码器阶段的预聚合和后解码器阶段的深层特征融合来促进 RGB 和深度流的充分融合，并在 RGB-D 显着目标检测模型方面表现优于 14 种先进模型。

    Jan, 2021