Aug, 2024

PGNeXt：通过金字塔嫁接网络进行高分辨率显著物体检测

HTML
PDF
TL;DR本研究解决了高分辨率显著物体检测（HRSOD）数据集不足的问题，提出了一个大规模的数据集UHRSD，包含5920张高分辨率实景图像。同时，提出了一种新颖的金字塔嫁接机制框架，以更好地平衡采样深度和感受野大小。实验结果表明，该方法能够有效定位显著物体并保留丰富细节，超越了现有的最先进方法。
发现论文，激发创造
  • 深度学习时代的显著目标检测：深度调研

    本文综述了计算机视觉中的一个重要问题：显著物体检测（SOD）。研究者们采用基于深度学习的方法进行研究，并从算法分类法到未解决的问题等多个角度全面梳理了深度学习在SOD方面的最新进展，提出了一些新观点和实验结果。

    Apr, 2019

  • 高分辨率显著目标检测

    本文提出了一种新的方法，利用全局语义信息和本地高分辨率细节相结合的方式，完成高分辨率显著性区域检测，并进行了实验验证，证明本方法优于现有的最先进方法。

    Aug, 2019

  • 面向 RGB-D 显著性目标检测的分层动态滤波网络

    本文提出了一种新的动态扩张金字塔模块和混合增强损失函数，在 RGB-D 显著目标检测方面表现优于现有方法。

    Jul, 2020

  • 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

  • 高质量分离显著对象检测

    本文提出一种新的深度学习框架，用于高分辨率显著目标检测任务，该框架将任务分离成低分辨率显著性分类网络（LRSCN）和高分辨率细化网络（HRRN），实现低分辨率感知和高分辨率精细调整的显著目标检测，基于此框架的实验结果表明，本文所提方法在高分辨率显著性检测方面具有优越性能。

    Aug, 2021

  • 金字塔嫁接网络用于单阶段高分辨率显著性检测

    本文提出了一种名为Pyramid Grafting Network的单阶段框架，使用转换器和CNN骨干从不同分辨率图像中独立提取特征，然后将转换器分支的特征嫁接到CNN分支上，并提出了一种基于注意力的跨模型嫁接模块及一种名为Attention Guided Loss的技术，采用新的高分辨率图像UHRSD数据集验证了其优异性能。

    Apr, 2022

  • 金字塔式关注网络用于显著性检测

    该研究利用RGB图像估计深度信息，使用金字塔式的注意力机制从中提取多层级卷积变换的特征，综合使用残差卷积注意力解码器进行显著性预测，取得了比21种RGB SOD方法和40种RGB-D SOD方法更为优异的性能表现。

    Apr, 2022

  • 高分辨率显著目标检测的循环多尺度Transformer

    本研究提出了一个新的高分辨率显著物体检测(High-Resolution SOD)方法，该方法使用HRS10K数据集和递归多尺度Transformer(RMFormer)生成高分辨率显著图。对高分辨率和低分辨率基准测试的广泛实验证明该框架的有效性和优越性。

    Aug, 2023

  • 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

  • 基于Vision Transformer的简单且高效网络用于伪装物体和显著物体检测

    本文提出了一种简单而有效的基于Vision Transformer（ViT）的网络（SENet），通过采用一种基于不对称ViT的编码器-解码器结构的简单设计，在隐藏目标检测和显著目标检测两个任务上取得了有竞争力的结果，在精细设计的复杂网络上展现出更大的多样性。

    Feb, 2024