点云显著目标检测
本文对显著物体检测模型进行了全面评估,发现现有 SOD 数据集中普遍存在偏见性,即假设每幅图像中至少包含一个低噪声的显著物体。这种偏见导致现有数据集上的最新 SOD 模型性能过高,但在面临实际场景时仍表现不尽如人意。该研究提出了一个综合、平衡且高质量的新数据集 SOC,该数据集包含各种日常物品的显著和非显著物体,并提供反映实际情况的通用挑战属性。最后,本文还对该数据集进行了基于属性的性能评估。
Mar, 2018
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
本文提出了一种更具挑战性的新的 CoSOD 基准数据集 CoSOD3k,整合了现有的 SOD 技术以构建统一的可训练 CoSOD 框架 CoEG-Net,并全面总结了 40 项尖端算法,并在三个挑战性的 CoSOD 数据集上进行了性能分析,旨在推动 CoSOD 社区的发展。
Jul, 2020
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
提出一种基于显著性引导的方法,通过利用注意力信息来改善激光雷达里程计估计和语义分割模型的性能,并通过从彩色图像到点云的显著性知识转移,构建了伪显著性数据集,提出了一种显著性引导的三维语义分割模型和基于自我监督的显著性引导激光雷达里程计网络,并在基准数据集上进行了广泛的实验,取得了最先进的性能。
Aug, 2023
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。
Mar, 2022
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
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