![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
显著目标检测论文
文章平均质量分 96
一根大白菜
这个作者很懒,什么都没留下…
展开
-
【弱监督显著目标检测论文】Weakly-Supervised Salient Object Detection via Scribble Annotations
与费力的像素级密集标注相比,用涂鸦标注数据要容易得多,标注一张图片只需花费1∼2秒。然而,使用涂鸦标签来学习显著目标检测还没有被探索过。在本文中,我们提出了一个弱监督的显著目标检测模型,从这种标注中学习显著性。在此过程中,我们首先重新用涂鸦标注了现有的大规模显著目标检测数据集,记为S-DUTS。由于物体的结构和细节信息不被涂鸦所识别,直接用涂鸦标签进行训练会导致显著图的边界定位不佳。为了缓解这个问题,我们提出了一个辅助的边缘检测任务来明确定位物体的边缘,以及一个门控结构感知损失来对要恢复的结构范围进行约束。原创 2022-10-18 17:11:18 · 2010 阅读 · 1 评论 -
【弱监督显著目标检测论文】Weakly-Supervised Salient Object Detection Using Point Supervison
目前最先进的显著性检测模型严重依赖于精确的像素级注释的大型数据集,这花费了大量的准备时间。而一些弱监督的方法可以来缓解这一问题,如图像标签、边界框标签和涂鸦标签,但点标签还没有在这个领域中被探索。在本文中,我们通过重新标记DUTS数据集,从而提出了一个新的点监督数据集(P-DUTS)。在P-DUTS中,每个显著对象只有一个标记点。为了推断显著图,我们首先设计了一种自适应掩蔽泛洪填充算法来生成伪标签。然后设计了一个基于transformer的点监督显著性检测模型,生成第一轮显著图。原创 2022-10-12 16:18:44 · 1964 阅读 · 0 评论 -
【显著目标检测论文】Pyramid Feature Attention Network for Saliency detection
显著性检测是计算机视觉的基本挑战之一。如何提取有效的特征是显著性检测的一个关键点。最近的方法主要是不加区分地采用融合多尺度卷积特征。然而,并非所有的特征都对显著性检测有用,有些甚至会造成干扰。为了解决这个问题,我们提出了金字塔特征注意力网络,以关注有效的高级背景特征和低级空间结构特征。首先,我们设计了上下文感知的金字塔特征提取(CPFE)模块,用于多尺度高层特征图,以捕获丰富的上下文特征。原创 2022-10-09 19:38:27 · 1884 阅读 · 0 评论 -
【显著目标检测论文】F3Net:Fusion,Feedback and Focus for Salient Object Detection
大多数现有的显著目标检测模型都通过聚合从卷积神经网络中提取的多级特征取得了长足的进步。然而,由于不同卷积层的感受野不同,这些层生成的特征之间存在很大差异。常见的特征融合策略(加法或连接)忽略了这些差异,并可能导致次优解决方案。在本文中,我们提出了F3Net来解决上述问题,它主要由交叉特征模块(CFM)和通过最小化新的像素位置感知损失(PPA)训练的级联反馈解码器(CFD)组成。具体来说,CFM旨在选择性地聚合多级特征。原创 2022-10-08 19:00:02 · 1392 阅读 · 0 评论