Jul, 2023

镜像网络在伪装物体检测中的边缘感知

PDF
TL;DR现有的边缘感知伪装物体检测方法通常在早期阶段输出边缘预测，然而，边缘是后续分割任务中的重要且基本因素。为了解决这个问题，我们提出了一种新颖的边缘感知镜像网络（EAMNet），将边缘检测和伪装物体分割建模为交叉优化过程。实验结果表明，EAMNet 在三个广泛使用的伪装物体检测数据集中优于现有的最先进基线方法。
edge-aware camouflaged object detectionsegmentationedge-aware mirror networkcross refinement processeamnet
发现论文，激发创造
  • MirrorNet: 生物启发型伪装物体分割

    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

  • 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

  • 基于边缘注意力的快速 MRI 重建

    提出一种轻量级、准确的边缘关注 MRI 重建网络 (EAMRI) 来对较少的 k 空间数据进行图像重建，并通过提取边缘先验信息引导重建高质量和带有精确边缘的 MR 图像，与传统的自注意机制相比，能够显著降低计算复杂度，具有更高的精度和更少的参数。

    Apr, 2023

  • 上下文感知的交叉级融合网络用于伪装目标检测

    本文提出了一种新颖的上下文感知交叉级融合网络（C2F-Net），可以解决伪装对象检测（COD）任务。C2F-Net 采用注意力引导的跨级融合模块（ACFM）和双分支全局上下文模块（DGCM）进行高层特征处理，并在三个广泛使用的基准数据集上进行了大量实验，实验结果表明我们的模型优于现有的最先进模型。

    May, 2021

  • 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

  • 移动的聚光灯：一种简单但高效的单支网络用于穿透伪装

    基于移动聚光灯的单支网络，在效率和性能之间取得了最佳平衡，比领先的高效 COD 模型减少了 32.13% 的 MAC 运算，并且在性能上表现出色。

    Apr, 2024

  • 自适应引导学习用于伪装对象检测

    本文提出了自适应引导学习网络（AGLNet），它是一种统一的可学习模型，用于在 CNN 模型中探索和调整不同的附加线索，以引导准确的伪装特征学习，并在不同的附加线索下实现了显著的性能改进。

    May, 2024

  • CoFiNet: 多尺度精细展示揭秘伪装物体

    提出了一种名为 CoFiNet 的新方法，专注于多尺度特征融合与提取，通过细节特征的有效分割来提高其对伪装对象的检测能力，同时采用粗到细的策略、多尺度特征集成模块、多激活选择核模块和双掩模策略等技术手段，在四个不同数据集上进行了全面实验，证明了 CoFiNet 在伪装对象检测方面的出色性能和广泛应用潜力。

    Feb, 2024

  • 用于伪装目标分割的支流网络

    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

  • 基于边缘感知的多任务网络，用于在多模态非对比度 MRI 上集成量化、分割和不确定性预测的肝肿瘤

    本文提出了一种基于边缘感知多任务网络 (EaMtNet) 的方法，可用于联合多索引肝肿瘤的定量、分割和不确定性估计，并使用多任务学习提高分割和定量性能。实验证明，该模型在医学图像分析方面具有可靠的临床辅助工具的潜力。

    Jul, 2023