少样本伪装动物检测和分割
本论文针对解决含有迷彩物区域的图像分解为有意义的组件,即迷彩实例分割,引入了一个名为 CAMO++ 扩展版的数据集,数量和多样性均超越了之前的 CAMO 数据集,我们提供了一个基准套件,对迷彩实例分割问题进行评估,并提供了名称为 Camouflage Fusion Learning 的框架,通过实验表明我们的方法优于现有的最佳方法。
Mar, 2021
本文主要探索追踪伪装物体的图像分割问题,提供一个新的伪装物体数据集,提供了一种通用的端到端网络 ——Anabranch 网络,融合了分类和分割功能,采用多种全卷积网络评估其在新构建的数据集上的效果。
May, 2021
本研究通过建立 Rank-Net 模型,结合 camouflaged object detection 技术和 conspicuousness 的概念,来探讨动物进化中的 Camouflage 技术,并提出一个可以定位、分割和排名 Camouflaged 目标的方法。实验结果表明,该模型取得了新的最先进水平,使 Camouflaged 目标的检测更具可解释性。
Mar, 2021
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
提出了一个框架,利用生成模型合成伪装图像以增强自然场景中伪装物体的检测能力。该方法利用一个伪装环境生成器和伪装分布分类器来合成伪装图像,并通过生成模型扩展数据集。实验证明该框架在改善伪装物体检测方面优于现有方法,并为现有伪装数据集引入更多多样性和分布。
Aug, 2023
通过频域中的可学习增强方法(Camouflage Fourier),我们的研究旨在改善隐形物体检测和分割模型的性能,通过增加训练数据的规模和多样性,揭示隐形物体的结构并提高检测和分割能力。
Aug, 2023
本文提出了一种新颖的仿生网络 MirrorNet,利用实例分割和镜像流进行伪装物体分割,具有两个分割流:主流和镜像流,通过对主流结果与镜像流结果的融合,提高了伪装物体分割的精度,在公共 CAMO 数据集上的实验证明了其有效性,本文所提出的方法在准确率方面达到了 89%,优于现有技术。
Jul, 2020
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
本文研究了最近发布的 Meta AI Research 的分割模型 SAM 在伪装目标检测任务上的性能,对比了其他 22 种伪装目标检测方法的表现,并提出了构建更强大的 SAM 解决伪装目标检测任务的进一步研究机会。
Apr, 2023