提升隐蔽检测只需进行伪装图像合成
该论文提出了一种基于 AI-Generated Content 的 CamDiff 方法,利用 latent diffusion model 综合伪装场景中的显著物体来生成更具有代表性的伪装样本,其结果表明,该方法能够吸引用户的关注并对现有的 COD 模型提出更大的挑战。
Apr, 2023
本文探讨了使用合成图像训练最先进的对象检测器,特别是针对对象实例检测。我们在实际环境的图像中将纹理对象模型的 2D 图像叠加在一起,以便在各种位置和比例上进行训练。通过这些实验,我们证明了利用现有的对象模型仓库为新对象训练检测器的新机会。
Feb, 2017
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
本文针对计算机视觉中的新颖而具有挑战性的课题 —— 伪装物体的检测和分割,提出了一种新的 few-shot learning 方法,包括构建 CAMO-FS 数据集、提出实例三元组损失和实例内存存储等,最终在新构建的数据集上实现了业内最佳的检测和分割性能。
Apr, 2023
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
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
本文介绍一种用于伪装物体检测的深度卷积神经网络,通过使用多个纹理感知优化模块来放大伪装物体和背景之间的微小纹理差异,其中纹理感知优化模块计算特征响应的协方差矩阵来提取纹理信息,采用亲和力损失和边缘一致性损失来分离伪装物体和背景之间的纹理,并通过实验结果验证了该方法的有效性。
Feb, 2021
本文探讨了在不同概念类之间泛化的挑战,并提出了一种基于质量评估模型的质量抽样方法,通过 StyleGAN2 和 Latent Diffusion 生成的图像进行实验,结果表明采用本文提出的方法可以提高合成图像检测器的检测性能。
Apr, 2023
本文提出了一种基于 3D 模型合成无限数量的训练图像的方法,以提升目标检测的分类性能。通过估计渲染参数,生成的图像不仅要外观与真实图像相似,而且要在训练目标检测器时使用相同的特征。结果表明,与传统方法不同的是,此方法可显著提高无人机、飞机和汽车检测的性能。
Nov, 2014