Oct, 2023

全景视频显著目标检测的空时双模混合流网络

PDF
TL;DR通过引入 Inter-Layer Attention 模块、Inter-Layer weight 模块和 Bi-Modal Attention 模块，本研究提出了一种 Spatial-Temporal Dual-Mode Mixed Flow 网络（STDMMF-Net），该网络利用全景视频的空间流和对应的光流来实现显著目标检测。实验证明，与最先进的方法相比，该方法在检测准确性、模型推理所需内存、测试时间、复杂性和泛化能力等方面表现更好。
发现论文，激发创造
  • 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

  • 基于全卷积网络的视频显著对象检测

    本文提出了一个深度学习模型，通过数据增强技术和动态显著性模型来高效地检测视频中的显著区域，该模型在 DAVIS 和 FBMS 数据集上达到了最新的性能标准。

    Feb, 2017

  • 保留特异性的 RGB-D 显著性检测

    该研究提出了一种称为 SPNet 的新框架，它通过探索共享信息和特定性质（如特定性）来受益于 SOD 性能，并采用双模态特定网络和共同学习网络来生成单独的和共享的显着性预测地图，分别。此外，为了捕获丰富的互补多模态信息以提高 SOD 性能，该研究还提出了一种多模态特征聚合（MFA）模块。

    Aug, 2021

  • 跨模态调制与选择的 RGB-D 显著性目标检测

    本文提出了一个名为 cmMS block 的模块，结合了 cross-modality feature modulation、adaptive feature selection 和 saliency-guided position-edge attention，可以逐步整合和完善 RGB-D 显著性检测中的交叉模态补充关系，有效提高了精度表现。

    Jul, 2020

  • 基于动态指引的视频显著目标检测注意力模型

    本文提出了一种基于多任务学习的运动引导视频显著对象检测网络，并利用运动注意力算法引导静态图像检测子网络，实现对视频显著对象的准确检测。实验结果表明，该算法在多个基准测试数据集上的性能都显著优于现有的基于运动的视频显著对象检测算法。

    Sep, 2019

  • 深度敏感关注和自动多模态融合的 RGB-D 显著性检测

    本文提出了一种深度敏感的 RGB 特征建模方案，并使用深度几何先验来实现特征增强和背景分心减少。另外，我们还提出了一种自动架构搜索方法来进行 RGB-D 显着对象检测，取得了比现有技术更好的结果。

    Mar, 2021

  • RGB-D 视频中的显著目标检测

    通过构建 RDVS 数据集和引入 DCTNet+，本文在 RGB-D 视频中进行了显著目标检测，通过使用多模态注意力模块实现了多模态特征的增强与融合，实验结果表明 DCTNet + 在 17 个 VSOD 模型和 14 个 RGB-D SOD 模型中表现优越。

    Oct, 2023

  • 基于置信度引导的自适应门控机制和双重差分增强的视频显著目标检测

    本文提出了一种新的适应性框架来捕捉从空间和时间线索中提取出的可用信息，其中包括 CAG 模块和 DDE 模块，并在四个广泛使用的数据集上进行了实验证明其相对于 13 种最先进方法的有效性。

    May, 2021

  • 视频异常检测的多尺度空时交互网络

    我们提出了一种多尺度时空交互网络（MSTI-Net），采用基于注意力机制的时空融合模块（ASTM）代替直接融合，并注入多个 ASTM 基础的连接，以促进所有可能的空间时间交互，最终将在多个尺度上学习的正常信息记录在内存中，在测试阶段增强异常和正常事件之间的区分。该方法在三个标准数据集上取得了良好的实验结果，UCSD Ped2 的 AUC 值达到了 96.8％，CUHK Avenue 的 AUC 值达到了 87.6％，ShanghaiTech 数据集的 AUC 值达到了 73.9％。

    Jun, 2023

  • RGB-D 显著目标检测的双向关注网络

    本文提出了一种双边注意力网络 (BiANet) 来探索前景和背景区域中的显著信息，其中介绍了一种双边注意力模块 (BAM)，通过前景优先和背景优先的注意机制来获取前景和背景信息，以更好地优化 RGB-D 任务的性能。基于多尺度和 BAM 技术，我们的 BiANet 在六个基准数据集上实现了显著优越的性能。

    Apr, 2020