通过引入 Salience-guided Faithfulness Coefficient（SaCo）评估指标，该研究探索目前人工智能模型解释能力的忠实度，并发现现有度量方法难以区分高级解释方法和随机归因，从而无法捕捉到其忠实度属性。相反，研究者提出的 SaCo 提供了可靠的解释忠实度度量，为解释提供了鲁棒的评估指标，并展示出梯度和多层聚合对于基于注意力的解释能力的提升效果，为提升 Vision Transformers 的可解释性提供了启示。

Apr, 2024

通过学习共显对象的概念，并利用该概念来净化对抗扰动，本文提出了一种新的增强鲁棒性的框架，可以显著提高共显对象检测方法的鲁棒性。

Mar, 2024

本研究提出了一种基于计算话语理论的生成度量，用于评估图像描述生成模型的语义和语用成功，与最近提出的学习指标相比，在人类评分预测方面表现更好。

Sep, 2021

本研究探索了现有的用于评估显著图质量（即 “保真度”）的指标，并发现当前文献中这些指标的计算方式缺乏一致性，且可重复性差，说明用这些指标生成的显著图质量排名可能不可信。

Nov, 2019

通用物体检测是一项与类别无关的任务，它依赖于对象性的准确建模。我们提出了一种新的损失函数，即空间一致性损失（SCLoss），它利用相邻像素之间的相互响应来抑制或强调像素的单一响应，通过检测和强调边界逐渐学习困难区域。通过全面的实验证明，使用 SCLoss 替代流行的损失函数可以提高当前最先进的显著或伪装物体检测（SOD 或 COD）模型的性能。同时，我们还展示了将 SCLoss 与其他损失函数结合可以进一步提高性能并实现不同应用领域的最先进结果。最后，我们展示了将 SCLoss 应用于语义分割等其他相关任务的潜在用途的示例。

Feb, 2024

为提高共显著目标检测模型的鲁棒性，在开放世界场景下处理无关图像时引入了一种群组选择性交换掩模 (GSEM) 方法。GSEM 采用两组图像作为输入，每组包含不同类型的显著对象，并使用一种基于学习的策略选择每组中的子集图像，并进行交换。为同时考虑不相关图像引入的不确定性和群组中其余相关图像的一致特征，设计了潜变量生成器分支和共显著目标检测转换器分支，最终通过基于 Transformer 的解码器生成鲁棒预测结果。构建了三个开放世界基准数据集 OWCoSal、OWCoSOD 和 OWCoCA 来评估模型的鲁棒性和实用性。

Oct, 2023

通过贝叶斯决策理论，将视觉显著性模型、显著性地图和评价指标分离，提出了一种基于概率模型的注视密度预测方法，并通过计算这些最优显著性地图来解决了显著性模型评估中不一致的指标问题。

Apr, 2017

该研究提出了一种新的无监督对比学习框架 CO2，它利用了模仿半监督学习中的一致性正则化来处理标签分配策略的瓶颈问题，能够提高图像分类、目标检测和语义分割等任务的视觉表示能力。

Oct, 2020

给定一组图像，合作显著目标检测（CoSOD）的目标是突出显示每个图像中的共同显著对象。本文提出了一种基于分层 Transformer 模块的方法，用于提取语义级共识，以获得对公共对象类别更全面的表示，并排除与目标对象具有局部相似性的其他对象的干扰。此外，还提出了一种基于 Transformer 的分散模块，它考虑了不同场景中协同显著对象的变化。它以图像特征图的图像特定方式对共识进行分发，同时充分利用组内的交互。这两个模块与 ViT 编码器和类似 FPN 的解码器一起集成成一个可端到端训练的网络，不需要额外的分支和辅助损失。该方法在三个常用的 CoSOD 数据集上进行评估，并取得了最先进的性能。

Sep, 2023

本文提出了一种更具挑战性的新的 CoSOD 基准数据集 CoSOD3k，整合了现有的 SOD 技术以构建统一的可训练 CoSOD 框架 CoEG-Net，并全面总结了 40 项尖端算法，并在三个挑战性的 CoSOD 数据集上进行了性能分析，旨在推动 CoSOD 社区的发展。

Jul, 2020