Nov, 2024

双模态显著目标检测的深度傅里叶嵌入网络

HTML
PDF
TL;DR本研究针对现有深度学习模型在双模态显著目标检测中存在的计算复杂度和频率差距问题，提出一种基于快速傅里叶变换的深度傅里叶嵌入网络（DFENet）。通过引入模态协调感知注意机制和频率分解边缘感知模块，我们实现了高效的特征融合和边缘信息增强，显著提升了输出像素级预测的质量。实验结果表明，DFENet在四个双模态显著目标检测基准数据集上表现优于十二个现有的最先进模型。
发现论文，激发创造
  • 从任何地方借用: 热成像伪多模态目标检测

    本文中，我们提出使用基于图像域数据训练的伪多模态对象检测器，在热成像中改善对象检测的性能，并指出我们的框架优于现有的基准，并具有在使用我们的方法时以更少的热成像数据进行学习的能力。

    May, 2019

  • 基于CNN的RGB-D显著目标检测：学习、选择和融合

    该论文旨在提出一个系统性的解决方案来解决RGB-D突出物检测问题，该方案通过模态特定表示学习、互补线索选择和跨模态补充融合等三个方面进行统一的处理，并构建了一种自适应的残差函数来融合跨模态信息以实现足够的跨模态交互和跨层传输支持。

    Sep, 2019

  • RGB热图显著目标检测的多交互双解码器

    本文提出了一种多交互双解码器方法，挖掘和建模多类型相互作用的RGB-thermal显著物体检测，它能处理多种场景并具有鲁棒性。在公共RGBT和RGBD SOD数据集上进行的广泛实验表明，该方法的性能优于最先进的算法。

    May, 2020

  • RGBT显著性目标检测：一个大规模数据集和基准

    该文提出了一个名为VT5000的新RGBT图像数据集，包括5000个具有地面实况标注的空间对齐的RGBT图像对。 该文介绍了一种基于多级特征和注意机制的强大基线方法，用于准确的RGBT显著目标检测，并在VT5000数据集和其他两个公共数据集上优于现有技术水平。

    Jul, 2020

  • 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

  • 跨模态调制与选择的RGB-D显著性目标检测

    本文提出了一个名为cmMS block的模块，结合了cross-modality feature modulation、adaptive feature selection和saliency-guided position-edge attention，可以逐步整合和完善RGB-D显著性检测中的交叉模态补充关系，有效提高了精度表现。

    Jul, 2020

  • 基于交互式上下文感知网络的RGB-T显著物体检测

    本文提出一种名为互动上下文感知网络（ICANet）的新型网络，它通过混合两种模态的特征来实现跨模态信息以及通过Multi-Scale Attention Reinforcement（MSAR）和Upper Fusion（UF）模块来进行跨尺度融合，从而提高了关键目标的检测准确性。

    Nov, 2022

  • 无对齐RGBT显著目标检测：语义引导的非对称相关网络与统一基准

    通过提出一个利用语义引导的非对齐关键区域的不对称关联网络（SACNet），本文首次尝试解决未经手动对齐的RGB和热像对的RGB和Thermal显著目标检测（SOD）问题。使用统一的基准数据集UVT2000，在对齐和非对齐数据集上进行了大量实验，证明了我们方法的有效性和出色的性能。

    Jun, 2024

  • 基于对比学习的高效傅里叶过滤网络用于无人机非对齐双模显著物体检测

    本研究针对无人机（UAV）基于双模显著物体检测（BSOD）中模型计算开销高的问题，提出了一种高效的傅里叶过滤网络，通过对比学习实现实时和准确的检测。关键创新在于设计了语义对比对齐损失，提升了两种模态的对齐效果，同时采用同步对齐融合方法，大幅减少了参数数量和计算量，实验证明该方法在速度和性能上优于现有的最先进模型。

    Nov, 2024

  • 分而治之：融合三流网络用于RGB-T显著物体检测

    本研究解决了传统RGB-热成像显著物体检测方法在处理噪声和缺陷模态时的不足。我们提出了ConTriNet，一个采用分而治之策略的鲁棒融合三流网络，结合了RGB和热成像两个模态的特征，显著提高了检测性能。实验结果表明，ConTriNet在各种真实世界的挑战场景中均超越了现有的最先进技术，具有重要的应用潜力。

    Dec, 2024