May, 2022

双任务交互变形器增强伪装目标检测

PDF
TL;DR本文提出了一种双任务互动转换器来检测伪装对象，该转换器采用了多头自我关注并考虑了边界特征，同时利用变形器进行特征提取，从而取得了当前公共数据集中的最新成果。
camouflaged object detectiontransformerboundary featuremulti-head self-attentionstate-of-the-art
发现论文，激发创造
  • 一个仿生三阶段模型用于伪装目标检测

    本文提出了一种基于人眼视觉感知的三阶段模型，它可以在单次迭代中进行粗到细的分割，并采用了多尺度特征增强和边界增强模块。此外，还使用了掩码引导并结合了粗略预测图与高分辨率特征图来生成细致的结果。我们的网络表现优于现有 CNN 模型，降低了计算开销并减轻了背景噪声干扰。

    May, 2023

  • 一种统一的基于查询的伪装实例分割范式

    基于查询的多任务学习框架在伪装实例分割中表现出色，通过构建一组掩蔽查询和一组边界查询，有效地整合全局掩蔽对象区域和边界提示，实现了伪装场景中的实例分割和边界检测。

    Aug, 2023

  • 特征引入与干扰物感知的伪装物体检测

    本研究提出了一种新的特征融合和多干扰物注视的网络，用于解决融入环境中的伪装目标检测问题，并通过自行构建的 ACOD2K 数据集验证其性能。

    Jul, 2023

  • 边界引导伪装物体检测

    我们提出了一种边界引导网络（BGNet）来进行伪装目标检测，该方法在三个数据集上都比现有技术高出很多，并利用边缘语义来引导特征学习，从而促进精确边界定位的伪装目标检测。

    Jul, 2022

  • 预训练、适应与检测：伪装目标检测的多任务适配器调整

    我们提出了一种新颖的 “预训练、适应和检测” 方法，通过引入大型预训练模型，将从大量多模态数据中学习到的丰富知识直接转移到伪装对象检测任务中，使用轻量级并行适配器调整下游伪装对象检测任务的特征，通过在源任务上进行多任务适配器初始化和在目标任务上进行多任务调整，显著提高了我们模型的泛化能力。

    Jul, 2023

  • 纹理感知深度特征用于伪装对象检测

    本文介绍一种用于伪装物体检测的深度卷积神经网络，通过使用多个纹理感知优化模块来放大伪装物体和背景之间的微小纹理差异，其中纹理感知优化模块计算特征响应的协方差矩阵来提取纹理信息，采用亲和力损失和边缘一致性损失来分离伪装物体和背景之间的纹理，并通过实验结果验证了该方法的有效性。

    Feb, 2021

  • 通过双分支全 Transformer 网络学习跟踪表示

    提出了一种仅基于 Transformer 的连体双支路网络，用于目标跟踪。该方法比第一步使用 CNN 提取特征，然后使用 Transformer 融合它们的最佳方法产生更好或可比的结果，在 GOT-10k 和 VOT2020 基准上优于现有技术。此外，该方法实现了实时推理速度（约 40fps）并且代码和模型将被公布。

    Dec, 2021

  • 基于 Transformer 的多任务学习用于图像标题生成和物体检测

    本文介绍了一种创新的多任务学习框架，将图像描述和目标检测结合为一个联合模型。通过联合训练，该模型充分利用了两个任务之间的互补信息，使图像描述的性能得到改进。我们的方法利用了一种基于 Transformer 的架构，实现了端到端的网络集成，同时执行两个任务。通过对 MS-COCO 数据集进行全面的实验评估，我们的模型在图像描述文献中表现优于基线，BERTScore 提升了 3.65％。

    Mar, 2024

  • 基于注意力驱动的约束平衡的视觉定位

    本文介绍了一种名为 AttBalance 的新框架，通过优化语言相关区域内的视觉特征行为，以提高视觉定位任务的性能，并在四个不同基准测试上对五种不同模型进行了评估和持续改进，进而在 QRNet 上实现了最新的表现水平。

    Jul, 2024

  • 利用基于实地模型的自我监督算法进行自控伪装人类检测

    本文提出了两种方法，自我监督和节俭学习，并将它们应用于追踪隐蔽对象的任务，实验结果表明，通过自我监督方法可以实现与完全监督的节俭学习相似的性能。

    Jun, 2024