自适应引导学习用于伪装对象检测
我们提出了一种边界引导网络(BGNet)来进行伪装目标检测,该方法在三个数据集上都比现有技术高出很多,并利用边缘语义来引导特征学习,从而促进精确边界定位的伪装目标检测。
Jul, 2022
提出了一种新颖的自适应特征聚合方法,通过有效地结合多层特征信息生成引导信息,与之前依赖边缘或排序先验的方法不同,该方法直接利用从图像特征中提取的信息来指导模型训练,在广泛的实验结果中证明了我们提出的方法在性能方面与最先进的方法相当或更好。
Oct, 2023
本文提出了一种新颖的上下文感知交叉级融合网络(C2F-Net),可以解决伪装对象检测(COD)任务。C2F-Net 采用注意力引导的跨级融合模块(ACFM)和双分支全局上下文模块(DGCM)进行高层特征处理,并在三个广泛使用的基准数据集上进行了大量实验,实验结果表明我们的模型优于现有的最先进模型。
May, 2021
Camouflaged object detection faces challenges, and this research proposes an adversarial training framework, Camouflageator, to generate more camouflaged objects and improve the detection. They also introduce ICEG, a novel COD method that utilizes internal coherence and edge guidance for better segmentation results. Experimental results show that ICEG outperforms existing detectors, and Camouflageator is flexible in improving various COD detectors, achieving state-of-the-art COD performance.
Aug, 2023
我们提出了一种新颖的 “预训练、适应和检测” 方法,通过引入大型预训练模型,将从大量多模态数据中学习到的丰富知识直接转移到伪装对象检测任务中,使用轻量级并行适配器调整下游伪装对象检测任务的特征,通过在源任务上进行多任务适配器初始化和在目标任务上进行多任务调整,显著提高了我们模型的泛化能力。
Jul, 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
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
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