May, 2024

深度唤醒：一种 RGB-D 伪装物体检测的深度 - 感知 - 注意力融合网络

PDF
TL;DR本文提出了一种新颖的深度感知注意力融合网络，利用深度图作为辅助输入，增强网络感知三维信息的能力，从而改善伪装物体检测。通过使用特定的编码器提取色彩和深度信息，并引入深度加权的交叉注意力融合模块来动态调整深度和 RGB 特征图的融合权重。最后，采用简单而有效的特征聚合解码器自适应地融合改进的聚合特征。实验表明，我们提出的方法在伪装物体检测方面具有显著的优势，进一步验证了深度信息在其中的贡献。
camouflaged object detectiondepth perception attention fusion network3d informationdepth-weighted cross-attention fusion modulefeature aggregation decoder
发现论文，激发创造
  • 基于三维卷积神经网络的 RGB-D 显著性目标检测

    该研究提出了一种名为 RD3D 的深度学习模型，其采用前编码器阶段的预聚合和后解码器阶段的深层特征融合来促进 RGB 和深度流的充分融合，并在 RGB-D 显着目标检测模型方面表现优于 14 种先进模型。

    Jan, 2021

  • 特征引入与干扰物感知的伪装物体检测

    本研究提出了一种新的特征融合和多干扰物注视的网络，用于解决融入环境中的伪装目标检测问题，并通过自行构建的 ACOD2K 数据集验证其性能。

    Jul, 2023

  • 一种单流网络的鲁棒性和实时性 RGB-D 显著性目标检测

    本研究提出一种单流网络，利用深度信息实现早期融合和中期融合之间的引导，解决不同模态之间的不兼容问题，并设计了一种增强深度双重注意力模块（DEDA）和锥形局部注意提取模块（PAFE），以提高实时目标检测的准确性和效率。

    Jul, 2020

  • 面向高效 RGB-D 语义分割的空间信息引导自适应上下文感知网络

    提出了一种有效的轻量级编码器 - 解码器网络以及其他相关模块，用于在移动机器人中进行 RGB-D 语义分割，通过跨模态相关性和补充线索可以准确提取多层次 RGB-D 特征，实验结果表明该方法在分割准确性、推理时间和参数方面具有更好的权衡。

    Aug, 2023

  • 频率感知网络的伪装物体检测

    通过在频域中在频域中使用可学习和可分离的频率感知机制，我们提出了一种能够在众多具有挑战性场景中准确检测到隐藏对象的方法，该方法包括频率引导的粗定位阶段和保持细节的精细定位阶段，并通过多级特征提取、优先引导校正和跨层特征通道关联等步骤实现校正和定位。与现有模型相比，我们提出的方法在三个流行的基准数据集上在定性和定量方面取得了有竞争力的性能。

    Aug, 2023

  • 上下文感知的交叉级融合网络用于伪装目标检测

    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

  • DPANet：深度潜力感知门控注意力网络用于 RGB-D 显着性目标检测

    本文提出了一种名为 DPANet 的新型网络，通过引入深度潜力感知，有效地整合交叉模态互补性并解决 RGB-D 显着目标检测中的污染效应问题，并利用带门控调节器的门控多模式注意力模块从交叉模态的角度捕获长距离依赖关系，并在 8 个数据集上与 15 种当前最先进的方法进行实验室实验来验证所提方法的有效性。

    Mar, 2020

  • 基于多模态注意力融合的 RGB - 深度图像语义分割模型

    本文提出了一种有效的编码器 - 解码器模型和基于注意力的融合模块，以集成 RGB-Depth 图像的特征，从而提高语义分割的精度和计算效率。实验结果表明，该模型在计算成本和模型大小方面大大超越了现有的最先进模型，并且在准确性方面具有良好的性能。

    Dec, 2019

  • 利用背景圈定、深度对比和自顶向下特征学习 RGB-D 显著对象检测

    提出了一种利用高层次、中层次和低层次特征的深度卷积神经网络结构以及适用于学习方法的新颖深度特征，并在 RGB-D 显著目标检测方面表现出比现有方法更好的效果，特别是在 RGBD1000 数据集上，其 F-Score 达到了 0.848，比第二名高出 10.7%。

    May, 2017

  • RGB-D 物体检测的跨模态注意力上下文学习

    本文提出了一种基于跨模态关注上下文学习框架的方法，通过充分开发 RGB 和深度数据的上下文信息来识别物体。实验证明，该方法在所有公共基准测试中均显著提高了 RGB-D 物体检测的准确性，并提供了可解释的可视化方案。

    Oct, 2018