May, 2024

SalFAU-Net：显著性融合关注 U-Net 用于显著目标检测

PDF
TL;DR我们提出了一种名为 Saliency Fusion Attention U-Net (SalFAU-Net) 的模型，它在每个注意力 U-net 模型的解码器块中合并了一个显著性融合模块，从而可以准确地检测具有多个对象、小物体或低分辨率对象的具有挑战性场景的显著对象。我们通过使用二值交叉熵损失函数在 DUTS 数据集上训练 SalFAU-Net，并在六个流行的 SOD 评估数据集上进行实验以评估所提方法的有效性。实验结果表明，我们的方法在平均绝对误差（MAE）、F - 值、s - 值和 e - 值方面与其他方法相比具有竞争性的性能。
salient object detectionfully convolutional networksaliency fusion attention u-netattention mechanismduts dataset
发现论文，激发创造
  • HyperFusion-Net: 密集反射融合用于显著目标检测

    在本篇论文中，我们提出了一种基于像素分类的新型特征学习框架，并将显著目标检测作为像素分类问题来解决，该方法采用了名为 HyperFusion-Net 的密集分层特征融合网络，结合 ICNN 和超密集融合机制，它能够自动预测最重要的区域并以端到端的方式分割相关物体，实验结果表明该方法在七个公共数据集上的表现均显著优于其他现有最先进的方法。

    Apr, 2018

  • 基于 Co-Attention 全卷积网络的共同显著性检测

    本文提出了嵌入了共同注意力模块的全卷积网络框架，称为共同注意力 FCN (CA-FCN)，旨在检测一组相关图像中的共同显著对象。实验表明，CA-FCN 在大多数情况下优于现有算法，同时通过消融研究证明了新共同注意力模块的有效性。

    Aug, 2020

  • SODAWideNet -- 不需 Imagenet 预训练的带注意力扩展的 Wide 编码解码网络中的显著目标检测

    提出了一个新的显著目标检测（SOD）模型 —SODAWideNet，它采用从头开始训练的神经网络，通过扩张卷积和自注意力机制等技术实现浅层网络，取得了与最先进模型相媲美的性能。

    Nov, 2023

  • M$^3$Net：多层、混合与多阶段注意力网络用于显著目标检测

    提出了用于显著性目标检测的多层次、混合和多阶段注意力网络（M$^3$Net），包括多尺度交互块和混合注意力块，并引入多层次监督策略进行聚合特征的优化。在六个具有挑战性的数据集上的实验证明，所提出的 M$^3$Net 在四个指标上优于最近的 CNN 和基于 Transformer 的显著性目标检测方法。

    Sep, 2023

  • 抑制与平衡：一个简单的门控网络用于显著物体检测

    该研究提出了一种基于 GateNet 和 Fold-ASPP 的神经网络结构，能够通过多层门单元实现更好的编解码器信息交流控制，并在五个数据集上表现优异，用于显著目标检测。

    Jul, 2020

  • DeepSaliency：多任务深度神经网络模型用于显著目标检测

    本研究提出了一种基于全卷积神经网络的多任务深度显着性模型，通过数据驱动的策略对显着性先验信息进行编码，并设置一个多任务学习框架来探索显着性检测和语义图像分割之间的内在相关性。实验结果表明，与现有方法相比，该方法在显着性对象检测方面具有明显的优势。

    Oct, 2015

  • 基于 F-measure 值的显著目标检测正反馈方法

    本文提出了一种基于 F-measure 值的正反馈方法来改进现有方法的显著性预测准确性，通过将现有模型的预测图输入到正反馈方法中，可获得高准确性的预测结果，而无需进行精细的解码器设计或模型训练。该方法具有适应性，可根据现有模型进行实现，并且在五个公开数据集上的实验结果表明，该方法在显著性地图预测的五个评估指标中超过了最新的 12 种方法。

    Apr, 2023

  • 用于光学遥感图像显著目标检测的密集注意力流体网络

    本文介绍了一种基于 Dense Attention Fluid network 的 Remote Sensing Images (RSIs) 显著性检测方法，提出了新的 Global Context-aware Attention (GCA) 和 cascaded pyramid attention 模块，并构建了包含 2,000 个图像的新型 RSI 数据集进行实验证明了该方法的明显优越性。

    Nov, 2020

  • 学习不确定卷积特征以实现准确的显著性检测

    提出一种新型的基于不确定卷积特征（UCF）的卷积神经网络模型，可用于精确的显著目标检测，并引入一种有效的混合上采样方法以减少解码器网络中反卷积操作的棋盘格伪影。该模型在像素级别视觉任务上表现出色。

    Aug, 2017

  • 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