Feb, 2024

显著与伪装目标检测及其扩展的空间相干性损失

PDF
TL;DR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。
发现论文，激发创造
  • 不确定性感知联合醒目物体和伪装物体检测

    该论文提出了一种利用对立信息来增强视觉显著目标检测和迷彩目标检测能力的新模式，实现了基于对立性空间的性质模块的相似度测量和网络置信度估计。

    Apr, 2021

  • 全局和局部协作学习用于共同显著目标检测

    本文提出了一种全局和局部协同学习架构（GLNet），包括全局对应建模和局部对应建模，以从全局和局部角度捕获不同图像之间的全面对应关系来学习共同显著对象检测（CoSOD）任务。在三个普及的 CoSOD 基准数据集上进行评估，证明了我们的模型在小数据集（约 3k 张图像）上训练仍然优于一些大数据集上训练的十一个最先进的竞争对手。

    Apr, 2022

  • 基于梯度剥离的堆叠补充损失，实现精确的领域自适应目标检测

    本研究提出了一种基于梯度分离的堆叠互补损失（SCL）方法，该方法使用检测损失作为主要目标，并在不同的网络阶段引入几个辅助损失以学习更具判别性的表示，用于非监督领域自适应目标检测。实验表明该方法在多个数据集上表现优异，尤其是在 Cityscapes 到 FoggyCityscapes 的领域偏移条件下具有显著增强性能，与现有方法相比平均提高了 3.6%。

    Nov, 2019

  • 基于不确定性感知的联合显著目标检测与伪装目标检测

    通过数据级矛盾建模和任务级矛盾建模，引入不确定性感知学习流程，从而在突显物体检测和伪装物体检测任务中充分探索矛盾信息。为了更好地理解这两个任务的不确定性，我们广泛研究了不确定性估计技术，以实现对每个任务的困难区域进行有效估计和学习。实验结果表明，我们的解决方案在基准数据集上取得了最先进的性能和有意义的不确定性估计。

    Jul, 2023

  • 无损特征反射和加权结构损失的显著目标检测

    本文提出了一种新的基于特征学习框架的大规模显著性目标检测方法，其中利用对称全卷积网络和加权结构损失函数结合上下文和语义信息来提高准确性和空间一致性，最终在七个数据集上的实验证明了该方法的卓越表现。

    Jan, 2019

  • 你能发现变色龙吗？对同显物体检测进行敌对伪装

    本文提出了对抗 CoSOD 攻击的一种新方法，即黑盒联合对抗曝光和噪声攻击（Jadena），旨在使用新的高特征级别的对比敏感损失函数来处理网上共享的大量个人照片中面临的隐私和安全问题，并用于评估 CoSOD 方法的鲁棒性。

    Sep, 2020

  • 局部显著性一致的结构一致性弱监督显著物体检测

    本文提出了一种基于草图标注的弱监督显著性物体检测的一轮端到端训练方法，使用局部一致性损失和显著性结构一致性损失来传播标签以预测完整的显著区域，同时使用聚合模块来更好地整合各种信息；该方法在六个基准测试中实现了最新水平表现。

    Dec, 2020

  • 基于记忆辅助的对比共识学习用于共同显著目标检测

    该研究提出了一种新颖的记忆辅助对比共识学习框架 (MCCL)，该框架通过利用注意力机制查找共同的对象来有效地检测共同显著对象，同时提高了预测地图的质量和完整性。

    Feb, 2023

  • 无损特征反射的显著物体检测

    本研究提出了基于对称全卷积网络的独特特征学习框架，该方法将无损特征反射的指导下，结合显著目标的位置信息、语境和语义信息，用于更精确地进行显著性预测，并使用新的结构损失函数来辅助预测边缘和保证空间一致性。实验表明，该方法在七个显著性检测数据集上均取得了优异的性能，超过了最近的先进方法。

    Feb, 2018

  • 逐步自引导损失用于显著目标检测

    本研究提出了一种简单而有效的深度学习自引导损失函数来促进图像中显著目标检测，该新型损失函数通过模拟形态学闭合操作来引导模型越来越全面地检测显著对象，同时帮助揭示稀疏像素的空间依赖性。另外，通过新增特征聚合模块和分支注意机制，我们的方法利用适应性特征聚合和分支注意机制来增强显著对象的检测表现，实现了与现有标准框架完全不同的表现优势。

    Jan, 2021