Jan, 2024

SAMF：面向对象检测的小区域感知多焦点图像融合

PDF
TL;DR本研究提出了一种新的小区域感知多焦点图像融合（MFIF）算法，用于增强物体检测能力，并通过像素属性增强、视觉显著性检测和三区域分割策略来精确确定像素焦点，进而设计了有效的像素选择规则以生成分割决策图并获得最终的融合结果。实验证明，该方法在主观和客观评估中能够准确检测到小且平滑的焦点区域，并改善物体检测性能，优于现有方法。源代码可在此链接获取：https://URL
发现论文，激发创造
  • 多焦点与多模态之间的桥梁：多模态图像融合的聚焦集成框架

    在本文中，我们提出了一种多模态图像融合（MMIF）框架，旨在解决多个可见光图像与红外图像的焦点区域不同的融合问题。通过引入半稀疏平滑滤波器对图像进行分解为结构和纹理成分，并提出了一种新的多尺度操作器对纹理成分进行融合。同时，我们考虑结构成分中能量信息的分布，以实现场景亮度的有效捕捉和合理的对比度维持。实验结果表明，该算法在视觉感知和数量化评估方面均优于现有的方法。

    Nov, 2023

  • AutoFocus: 高效多尺度推理

    AutoFocus 是一种高效的基于深度学习的物体检测器的多尺度推理算法，只处理可能包含细节或小物体的区域，可以得到 47.9%（50% 重叠时的 68.3%）的 mAP，比 RetinaNet 多 10% 的 mAP。

    Dec, 2018

  • Focus-and-Detect: 一种用于航拍图像的小目标检测框架

    本文提出了一种名为 “Focus-and-Detect” 的两阶段物体检测框架，包括一个用高斯混合模型监督的物体检测网络来生成聚焦区域，以及一个物体检测网络来预测指定区域中的物体。同时，本文还提出了一种名为 IBS 的方法，可以克服区域搜索方法的截断效应，并在 VisDrone 验证数据集上获得了 42.06 的 AP 得分，超越所有已知的最先进的小物体检测方法。

    Mar, 2022

  • SESF-Fuse: 多焦点图像融合的无监督深度模型

    本研究提出了一种基于无监督深度学习模型的多焦点图像融合方法，该方法通过训练编码器 - 解码器网络获得输入图像的深层特征，并使用这些特征及空间频率来衡量活动水平和决策图，最终应用一些一致性验证方法来调整决策图并得出融合结果，与之前的方法相比，该方法分析深层特征中的锐利外观而非原始图像中的锐利外观。实验结果表明，与现有的 16 种融合方法相比，该方法在客观和主观评估中均取得了最先进的融合性能。

    Aug, 2019

  • 自由输入的多焦点图像融合的生成和重组

    通过 GRFusion 模型，实现了多个源图像的同时融合，避免了信息损失，并通过梯度嵌入和像素重组的方法提高了融合图像的视觉质量。

    Sep, 2023

  • 多模态多层次融合的三维单目标跟踪

    提出 MMF-Track，一种多模态多级融合跟踪器，利用点云的几何和图像纹理特征跟踪 3D 目标，在 KITTI 上实现了最先进的性能表现，并在 NuScenes 上具有竞争力。

    May, 2023

  • 2D 物体检测的多任务跨模态注意力融合

    提出两种新的雷达预处理技术，并引入了多任务跨模态注意融合网络（MCAF-Net）来进行目标检测，相对于现有的基于雷达和相机融合的目标检测算法具有更强的鲁棒性，特别是在恶劣的天气条件和夜间场景下。

    Jul, 2023

  • AutoFocusFormer：基于自注意力机制的图像分割

    本研究提出了一种名为 AutoFocusFormer (AFF) 的局部 - 注意力 Transformer 图像识别骨干网络，通过学习保留任务中最重要的像素来实现自适应降采样，采用点基础分割方法，使得小目标在降采样过程中得到更充分地表示，并展示它在分割任务中显著优于基线模型。

    Apr, 2023

  • 特征融合 SSD：小物体快速检测

    本论文提出了一种针对小目标检测的实时多层次特征融合方法，与基线 SSD 相比，在保证检测速度的同时，在某些小目标类别上提高了 2-3 个点的检测精度，尤其是使用了合并和元素加和两种特征融合模块，其测试速度分别为 43 和 40 FPS。

    Sep, 2017

  • 无监督深度多焦点图像融合

    本文介绍了一种基于卷积神经网络的无监督端到端学习方法，可以直接从多焦点输入图像对中预测完全聚焦的输出图像，并利用图像结构相似性 (SSIM) 计算损失。实验结果表明，该方法在视觉质量和客观度量方面优于现有的最先进技术。

    Jun, 2018