- CosalPure: 基于群体图像学习鲁棒共同显著性检测的概念
通过学习共显对象的概念,并利用该概念来净化对抗扰动,本文提出了一种新的增强鲁棒性的框架,可以显著提高共显对象检测方法的鲁棒性。
- 用一千个群组进行有区分性的一致性挖掘以实现更准确的共显目标检测
Co-Salient Object Detection (CoSOD) is improved by introducing a new training set called CoSINe dataset, allowing better - 面向开放世界的共同显著目标检测与生成不确定性感知的群体选择性交换遮罩
为提高共显著目标检测模型的鲁棒性,在开放世界场景下处理无关图像时引入了一种群组选择性交换掩模 (GSEM) 方法。GSEM 采用两组图像作为输入,每组包含不同类型的显著对象,并使用一种基于学习的策略选择每组中的子集图像,并进行交换。为同时考 - MM带有语义级别共识提取和分散的共显目标检测
给定一组图像,合作显著目标检测(CoSOD)的目标是突出显示每个图像中的共同显著对象。本文提出了一种基于分层 Transformer 模块的方法,用于提取语义级共识,以获得对公共对象类别更全面的表示,并排除与目标对象具有局部相似性的其他对象 - 零样本共显目标检测框架
探索了无需训练过程的零样本共显目标检测框架,结合了零样本转移能力的计算机视觉模型,通过引入群组提示生成模块和共生图生成模块,实现了令人印象深刻的结果,超过了现有无监督方法并且在 2020 年之前的全监督方法上也表现出良好竞争力。
- 提升细化引用表达分割:超越单图像
在更广泛的实际应用场景下,本文提出了一种名为群组式指称表达分割(Group-wise Referring Expression Segmentation,GRES)的更实际、更通用的多模态任务,并引入了一个完整的群组式指称数据集(Group - SegGPT 遇见共同显著场景
本文将 SegGPT 应用于共显目标检测,结果发现其在面临组内上下文差异时的性能存在挑战。
- CVPR基于辨别式共同显著性和背景挖掘变换器的共同显著目标检测
提出了一个基于多种关联模块的判别式共同显著性和背景挖掘变换框架来明确挖掘共同显著性和背景信息,并有效地模拟其区别。该方法在三个基准数据集上都达到了良好的实验结果。
- AAAI基于记忆辅助的对比共识学习用于共同显著目标检测
该研究提出了一种新颖的记忆辅助对比共识学习框架 (MCCL),该框架通过利用注意力机制查找共同的对象来有效地检测共同显著对象,同时提高了预测地图的质量和完整性。
- 全局和局部协作学习用于共同显著目标检测
本文提出了一种全局和局部协同学习架构(GLNet),包括全局对应建模和局部对应建模,以从全局和局部角度捕获不同图像之间的全面对应关系来学习共同显著对象检测(CoSOD)任务。在三个普及的 CoSOD 基准数据集上进行评估,证明了我们的模型在 - CVPR民主确实重要:用于共同显著目标检测的全面特征挖掘
本文以民主原型生成模块为基础,采用自对比学习模块进行降噪,配合民主特征增强模块,生成包含充足的协同突出区域响应的完整原型,从而提升协同突出物体检测性能,在 CoCA 等真实场景下优于现有最佳方法。
- CoADNet: 协作聚集和分布网络用于共同显著目标检测
本文介绍了一种协作聚合和分布网络 (CoADNet) 架构,通过建模和利用图像之间的相互关系来捕获来自多个图像的突出和重复视觉模式,以解决 Co-Salient Object Detection (CoSOD) 任务中的一些挑战性问题,同时 - CVPR你能发现变色龙吗?对同显物体检测进行敌对伪装
本文提出了对抗 CoSOD 攻击的一种新方法,即黑盒联合对抗曝光和噪声攻击(Jadena),旨在使用新的高特征级别的对比敏感损失函数来处理网上共享的大量个人照片中面临的隐私和安全问题,并用于评估 CoSOD 方法的鲁棒性。
- CVPR重新思考共显目标检测
本文提出了一种更具挑战性的新的 CoSOD 基准数据集 CoSOD3k,整合了现有的 SOD 技术以构建统一的可训练 CoSOD 框架 CoEG-Net,并全面总结了 40 项尖端算法,并在三个挑战性的 CoSOD 数据集上进行了性能分析, - 基于深度显著网络和种子传播的联合显著性目标检测
本文提出了一种共同显著目标检测方法,利用深度显著性网络进行共同显著性先验知识的转移,通过种子传播步骤优化初步的共同显著性图,使用多层图在低级描述符中传播种子以找到之前步骤可能未检测到的区域,并可处理大小不一致的输入图像组。