Apr, 2023

基于 F-measure 值的显著目标检测正反馈方法

PDF
TL;DR本文提出了一种基于 F-measure 值的正反馈方法来改进现有方法的显著性预测准确性，通过将现有模型的预测图输入到正反馈方法中，可获得高准确性的预测结果，而无需进行精细的解码器设计或模型训练。该方法具有适应性，可根据现有模型进行实现，并且在五个公开数据集上的实验结果表明，该方法在显著性地图预测的五个评估指标中超过了最新的 12 种方法。
salient object detectionpositive feedback methodf-measureprediction mapsmodel evaluation
发现论文，激发创造
  • 无阈值显著目标检测的 F 测度优化

    本文提出了一种新的损失函数 FLoss，可以用来训练 CNN 网络，同时在评估时使用 F-Measure，能够使网络产生极性激活，从而获得高质量的显著性图。实验结果表明，相比于传统的交叉熵损失函数，本文的方法在几个流行数据集上均取得了更好的性能表现。

    May, 2018

  • HyperFusion-Net: 密集反射融合用于显著目标检测

    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

  • 逐步自引导损失用于显著目标检测

    本研究提出了一种简单而有效的深度学习自引导损失函数来促进图像中显著目标检测，该新型损失函数通过模拟形态学闭合操作来引导模型越来越全面地检测显著对象，同时帮助揭示稀疏像素的空间依赖性。另外，通过新增特征聚合模块和分支注意机制，我们的方法利用适应性特征聚合和分支注意机制来增强显著对象的检测表现，实现了与现有标准框架完全不同的表现优势。

    Jan, 2021

  • 无损特征反射和加权结构损失的显著目标检测

    本文提出了一种新的基于特征学习框架的大规模显著性目标检测方法，其中利用对称全卷积网络和加权结构损失函数结合上下文和语义信息来提高准确性和空间一致性，最终在七个数据集上的实验证明了该方法的卓越表现。

    Jan, 2019

  • 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

  • 面向 RGB-D 显著性目标检测的分层动态滤波网络

    本文提出了一种新的动态扩张金字塔模块和混合增强损失函数，在 RGB-D 显著目标检测方面表现优于现有方法。

    Jul, 2020

  • 保留特异性的 RGB-D 显著性检测

    该研究提出了一种称为 SPNet 的新框架，它通过探索共享信息和特定性质（如特定性）来受益于 SOD 性能，并采用双模态特定网络和共同学习网络来生成单独的和共享的显着性预测地图，分别。此外，为了捕获丰富的互补多模态信息以提高 SOD 性能，该研究还提出了一种多模态特征聚合（MFA）模块。

    Aug, 2021

  • 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

  • F3Net: 融合、反馈和聚焦用于显著目标检测

    本文提出 F3Net 算法，通过交叉特征模块和级联反馈解码器，结合像素位置感知损失函数，实现高效的显著目标检测，能够在各项指标上优于现有算法。

    Nov, 2019

  • 稳定性可塑性解耦微调：用于少样本端到端目标检测

    本文通过引入附加的可塑性分类器微调（PCF）阶段和多源集成（ME）技术，提出了一个新的三阶段微调方案，用于缓解稀疏 R-CNN 端到端目标检测器中的稳定性 - 可塑性矛盾问题，并进一步增强模型的泛化能力。大量实验证明我们的方法在规范化稀疏 R-CNN 中有效，优于先前的 FSOD 基准方法。

    Jan, 2024