2021年9月_IEEE Transactions on Image Processing_科技前言热点调查表

IEEE Transactions on Image Processing文献跟踪

2021年9月 •  30卷 • 第9期

文献名/代码/相关性	方向	对象	实验方式	工作	亮点	数据集
Geometry Auxiliary Salient Object Detection for Light Fields via Graph Neural Networks（无/中）	光学	光学平台采集物体	软硬结合	开发了基于光场的新型图形神经网络突出物体检测方法 构建了一个新的数据集（CITYU-Lytro）	几何角度特征融合 多尺度Saliency特征一致性学习 目标函数改进 选择视图角度	自建CITYU-Lytro
Visual Explanation for Deep Metric Learning（有/低）	公制学习	人脸	软件&理论	提出了基于激活分解的深度公制学习架构的新解释框架，其适用于一系列公制学习应用程序，如人脸识别、人员重新识别、图像检索等。 提出的特定点的激活图发现了点对点的激活强度 理论和实证分析，验证Grad-CAM算法的优越性。	提出的框架可以广泛应用于各种学习应用	与Grad-CAM对比
Dual Attention-in-Attention Model for Joint 4Rain Streak and Raindrop Removal（无、中）	去噪	雨滴&雨痕	软件	使用双注意力模型同时去除雨痕与雨滴对图像获取的影响	双重强度感知地图 全局及局部层面上的注意力机制 双重注意模式 差分驱动	雨滴、雨痕公用数据集 JRSRD
Multi-Stream Fusion Network With Generalized Smooth L1 Loss for Single Image Dehazing（无/中）	去噪	采集照片	软件	提出了一个端到端的卷积神经网络（MSFNet），按照编码器-解码器网络结构建立的。编码器是一个三流网络，以产生三个分辨率级别的特征。 提出了一种基于全连接的特征融合方法，每个用于特征融合的模块都接受来自所有流的特征作为输入。 设计了一个广义的平滑损失函数	1.基于全连接的特征融合方法 2.新的损失函数 3.提出了多尺度监督学习策略	训练：RESIDE 测试：SOTS
AAN-Face: Attention Augmented Networks for Face Recognition（无/低）	人脸识别	人脸	软件	提出了一个注意力擦除方案，随机擦除注意力图中的单元。 提出了一个注意力中心损失（ACL），为每个注意力图谱学习一个中心，使同一注意力图谱集中在同一面部部位	注意力擦除方案 注意力中心损失	VGGFace2   MS-Celeb-1M
Location Sensitive Network for Human Instance Segmentation（无/中）	分割	人体照片	软件	提出了用于人类实例分割的位置敏感网络（LSNet） 使用多个采样点的位置来构建实例的点表示	基于姿势的注意力模块 关键点灵敏度融合 损失函数	COCOPersons OCHuman
Person Re-Identification via Attention Pyramid（有/中）	识别	人体照片	软件	提出了一种用于人员重新识别的注意力金字塔方法。与传统的只学习全局注意力图的方法不同，以多尺度的方式利用注意力区域。 将特征分割成多个局部部分，并学习相应的注意力 在多个数据集上证明了方法的优越性	所提出的注意力金字塔是一个轻量级便于移植的即插即用模块	Market-1501, DukeMTMC, CUHK03，MSMT17
TMMF: Temporal Multi-Modal Fusion for Single-Stage Continuous Gesture Recognition（无/低）	手势识别	手势照片	软件	引入了一个单阶段的连续手势识别框架，称为时间多模式融合（TMMF），通过一个单一的模型对视频中的多种手势进行检测和分类。 引入了一个多模态融合机制，以支持整合来自多模态输入的重要信息，并且可以扩展到任何数量的模式。 提出了一个基于中点的损失函数，以鼓励地面实况和预测之间的平滑对齐，帮助模型学习自然的手势转换。	多模态特征融合 新的基于中间点的损失函数	EgoGesture ， IPN hand   ChaLearn LAP Continuous Gesture dataset
Superpixels With Content-Adaptive Criteria（无/中）	超分辨率	图片	软件	提出了一种新的分割策略，将图像内容分类为包含物体边界的有意义的区域和包括颜色不均匀和纹理丰富的区域的无意义部分 设计了两种不同的标准来处理不同环境中的像素，以实现内容有意义区域的高精度超级像素，并保持内容无意义区域的超级像素的规则性	平衡准确性和紧凑性 对于准确性，采用颜色特征时增加一组权重，以成功地减少分割不足的误差 对于紧凑性，在梯度滤波器中加入了颜色和纹理滤波器，使纹理丰富的区域的超级像素显得有规律。	BSD500 SBD