伪装物体检测及其拓展研究综述
本文介绍近期在显著物体检测领域中的一些进展和问题,涵盖了228个出版物,讨论了关键概念、任务、核心技术和建模趋势、数据集和评估指标,并探讨了模型性能的数据集偏差和评估指标等方面的开放性问题以及未来的研究方向。
Nov, 2014
通过在6个具有挑战性的数据集上定量和定性地比较40个最先进的模型(28个显著性目标检测、10个注视预测、1个目标性、1个基准)以进行显著目标检测和分割方法的基准测试,评价显示,这个领域在准确度和运行时间方面在过去几年里有了持续的快速进步。对于这个问题,我们发现显著目标检测专门设计的模型通常比相关领域中的模型表现更好,这为问题的精确定义提供了提示,并提出了一些可能的解决方案和未来的研究方向。
Jan, 2015
本研究提出了针对被隐藏物体的检测任务,提供了名为COD10K的大型数据集,涵盖78个物体类别的10,000个来自不同真实场景的图像,并提供了详细的注释。其中,Search Identification Network(SINet)是一种简单但强大的基线用于COD,并在测试的所有数据集上击败了12个前沿基线。
Feb, 2021
本研究通过建立Rank-Net模型,结合 camouflaged object detection技术和conspicuousness 的概念,来探讨动物进化中的Camouflage技术,并提出一个可以定位、分割和排名Camouflaged目标的方法。实验结果表明,该模型取得了新的最先进水平,使Camouflaged目标的检测更具可解释性。
Mar, 2021
本论文针对解决含有迷彩物区域的图像分解为有意义的组件,即迷彩实例分割,引入了一个名为CAMO++扩展版的数据集,数量和多样性均超越了之前的CAMO数据集,我们提供了一个基准套件,对迷彩实例分割问题进行评估,并提供了名称为Camouflage Fusion Learning的框架,通过实验表明我们的方法优于现有的最佳方法。
Mar, 2021
本文提出了一种基于缩放网络的对象分割模型ZoomNet,采用缩放策略、混合尺度单元和层级混合尺度单元学习圈定隐藏目标并能够适应模糊的背景干扰,用不确定性感知损失提高模型在候选区域中的预测准确度,大幅超越其他23种最先进的模型,在SOD任务上也取得了最优效果。
Mar, 2022
本文针对计算机视觉中的新颖而具有挑战性的课题——伪装物体的检测和分割,提出了一种新的few-shot learning方法,包括构建CAMO-FS数据集、提出实例三元组损失和实例内存存储等,最终在新构建的数据集上实现了业内最佳的检测和分割性能。
Apr, 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
全文提供了对一项名为协作伪装目标检测(CoCOD)的新任务的全面研究, 其目的是同时从一组相关图像中检测具有相同属性的伪装目标。为此,我们细致地构建了首个大规模数据集 CoCOD8K,该数据集包含8528张高质量且精选图像,带有目标遮罩注释,覆盖5个超类别和70个子类别。该数据集涵盖了各种自然和人工伪装场景,具有多样的目标外观和背景,因此对于CoCOD来说是一个非常具有挑战性的数据集。此外,我们提出了CoCOD的首个基准模型,名为双向分支网络(BBNet),该模型分别在单个图像内和图像组内探索和整合共伪装线索,以实现对给定图像中伪装目标的准确检测。这是通过一种图像间协作特征探索(CFE)模块、一种图像内目标特征搜索(OFS)模块和一种局部-全局细化(LGR)模块实现的。我们在提议的CoCOD8K数据集上对18种最先进的模型进行了性能评估,其中包括12种COD算法和6种CoSOD算法,采用了5种广泛使用的评估指标。广泛的实验表明了所提出方法的有效性以及与其他竞争方法相比显著更优越的性能。我们希望我们提出的数据集和模型能够促进COD社区的发展。该数据集、模型和结果将可在此网址获取: https://this-URL
Oct, 2023
我们提出了一种有效的统一协同金字塔网络用于实现对伪装物体的检测,通过模拟人类行为中的缩放策略来学习具有辨别能力的多尺度语义,并利用富含的粒度感知单元来充分探索候选物体和背景环境之间的不可察觉线索,并结合不确定性意识损失来增强对候选区域的高置信度预测,该方法在图像和视频伪装物体检测基准中始终优于现有的最先进方法。
Oct, 2023