该论文提出了一种基于知识蒸馏的前景物体搜索(FoS)方法,它能够在同一类别的前景中进行 “可替换前景” 的实例级搜索,并且超越了先前的最优结果。
Jul, 2020
提出了一种基于要素丰富度得分方法的知识蒸馏算法,支持目标检测任务,并可显著提高检测性能,尤其在资源有限的设备上表现优异。
Nov, 2021
本文提出了一种解决图像编辑中寻找前景对象的技术 —— 无约束前景物体搜索,并介绍了一种支持通过将背景图像与前景对象进行编码来进行高效搜索的解决方案。通过创建具有不同语义类别的多个前景对象的大型训练数据集,我们的无约束前景物体搜索解决方案优于相关基线,这在两个不同的数据集上进行了定量和人类感知实验的证实。
Aug, 2019
给定一个复合图像,图像协调旨在调整前景照明与背景一致。我们展示了使用全局信息指导前景特征转换可获得显着改善,并将前景 - 背景关系从真实图像转移到复合图像,为转换的编码器特征提供中间监督。此外,我们贡献了一个模拟自然照明变化的 ccHarmony 数据集。对 iHarmony4 和我们贡献的数据集进行了大量实验证明了我们方法的优越性。
Aug, 2023
提出了一种新的框架 ZSFDet 来解决零样本食物检测中的细粒度问题,并通过知识表示增强性能。
Feb, 2024
本文提出了一种新颖的‘Foregraound Network (F2Net)’,使用 Siamese 编码器模块、中心引导外观扩散模块和动态信息融合模块等方法,实现了在深度学习和视频对象分割的领域内的最新成果,提高了分割性能。
Dec, 2020
我们提出了一种新的方法,利用元学习和精细原型来改进少样本目标检测,并通过新的特征聚合模块、平衡类别无关采样和非线性融合模块来提高高级特征融合,从而在 PASCAL VOC 和 MS COCO 基准测试中取得了最先进的性能。
Jan, 2024
本文提出了一种新的鲁棒性编码器解码器结构的神经网络,使用少量的训练示例进行端到端的训练,通过特征融合在 Feature Pooling Module 中提取多尺度特征,实现对相机运动的鲁棒特征池化,免去多尺度输入的需求,通过 CDnet2014、SBI2015 和 UCSD Background Subtraction 数据集的实验表明,所提出的方法的整体 F-Measure 平均值优于现有所有最先进的方法。
Aug, 2018
本文提出了一种新颖的前景抠图模型 GFM,采用了共享编码器和两个独立解码器,在高级语义分割和低级细节抠图之间分别进行学习,以实现自然图像的端到端抠图。同时,我们通过对合成图像和真实世界图像之间的区别进行了系统的分析,提出了一种 RSSN 组合路径,以便更好地提高模型的泛化能力。实验结果表明,GFM 模型在真实世界图像上的泛化性能得到了有效提高。
Oct, 2020
提出了 Few-shot RetinaNet (FSRN) 算法,该算法解决了传统单级 FSOD 算法性能较弱的问题,主要是通过在损失函数中增加前景样本并使用广阔的感受野和增强转移技术来提高判别能力和可转移性,比两级 FSOD 算法快近两倍且性能更优。
Oct, 2022