May, 2023

DC-Net: 显著目标检测的分治方法

PDF
TL;DR本文提出使用分而治之的思想来优化显著目标检测任务，并设计了基于此思想的 DC-Net 神经网络模型，其中包含两个编码器和一个解码器，通过预测边缘地图和显著对象位置地图来预测最终显著性图，并采用两级 ResASPP 模块来捕获不同尺度特征，最终在六个 LR-SOD 和五个 HR-SOD 数据集上取得竞争性的性能。
salient object detectiondivide-and-conquerdc-netedge mapsresaspp
发现论文，激发创造
  • 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

  • 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

  • CoADNet: 协作聚集和分布网络用于共同显著目标检测

    本文介绍了一种协作聚合和分布网络 (CoADNet) 架构，通过建模和利用图像之间的相互关系来捕获来自多个图像的突出和重复视觉模式，以解决 Co-Salient Object Detection (CoSOD) 任务中的一些挑战性问题，同时 CoADNet 在四个 CoSOD 基准数据集上得到了显着的性能提升。

    Nov, 2020

  • EDN: 极度下采样网络在显著目标检测中的应用

    本文提出了极端下采样网络（EDN）和尺度相关的金字塔卷积（SCPC）两种技术用于显著性目标检测（SOD）的高层特征学习和多级特征融合，实现了实时速度下的最新最优性能。

    Dec, 2020

  • 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

  • 级联部分解码器用于快速准确的显著物体检测

    本研究提出了一种基于 CPD 框架的新型显著性物体检测方法，通过构建部分解码器，丢弃低分辨率因素以促进加速，在深层次集成特征的基础上，利用生成的显著图来精调骨干网络的特征，从而显著提高显著性目标检测的准确性和速度。

    Apr, 2019

  • 丰富和深入监督网络用于显著性目标检测

    本文提出了一种新的显著性目标检测系统 RDS，它使用更有效的方法传递全局信息，解决传统模型中忽略背景信息的问题，并在使用目标检测数据训练模型时取得了最新的结果。

    Jan, 2019

  • 边缘保护和多尺度上下文神经网络用于显著目标检测

    本研究提出了一种新的神经网络，用于保护边缘和多尺度语境下的显著对象检测。该框架旨在解决现有的基于 CNN 的方法存在的两个限制：区域 CNN 方法缺乏足够的上下文来准确定位显著对象，而基于像素的 CNN 方法由于卷积和池化层的存在而具有模糊的边界。该方法可广泛应用于 RGB-D 显著性检测，并具有清晰的检测边界和多尺度语境下的鲁棒性。实验结果显示，该方法在六个 RGB 和两个 RGB-D 基准数据集上均取得了最优性能。

    Aug, 2016

  • HODINet: RGB-D 显著物体检测高阶不一致交互网络

    本文提出了一种高阶差异交互网络（HODINet）用于 RGB-D 显著目标检测，通过使用 Transformer 和 CNN 作为主干来编码 RGB 和深度特征，并将高阶表示嵌入到空间和通道关注力中以在不同阶段融合跨模式特征，实验证明该方法在四种评估指标下与 24 种现有方法相比具有竞争性的性能。

    Jul, 2023

  • 深度监督循环卷积神经网络用于显著性检测

    本文提出了一种使用深度监督复发卷积神经网络（DSRCNN）实现完整图像显著性预测的新型显著性检测方法，经过在 VGGNet-16 上基于重复连接和边缘输出层的优化设计，测试验证结果在五种基准数据集上均显著优于目前显著性检测领域的相应方法。

    Aug, 2016