![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
阅读论文笔记
文章平均质量分 59
对感兴趣的论文进行保存
じ☆ve 緈辐
深度学习研究AI,机器学习
展开
-
Multi-Interactive Dual-Decoder for RGB-Thermal Salient Object Detection
现有的方法没有充分挖掘和利用图像内容的不同模态和多类型线索的互补性潜力,而这对获得准确的结果至关重要。在本文中,我们提出了一种多交互双解码器,用于挖掘和建模精确的rgbtsod的多类型交互。然后,我们设计了一种新的双解码器来进行多层次特征、两种模态和全局上下文的相互作用。有了这些相互作用,我们的方法即使在无效模态存在的情况下也能很好地在各种具有挑战性的场景中工作。最后,我们在公开的RGBD和RGBD SOD数据集上进行了大量的实验,结果表明,本文提出的方法与目前最先进的算法相比取得了出色的性能。原创 2024-05-15 17:52:25 · 127 阅读 · 0 评论 -
1.显著性目标检测(好的论文描述)
在流行的基准测试上进行的大量实验表明,所提出的SAMNet在GPU速度为343fps和CPU速度为5fps的情况下,对于只有1.33M参数的336×336输入,可以产生与最先进的方法相当的精度。我们提出了一种新的方法来寻找图像中的显著区域,利用颜色和亮度的低电平特征,该方法易于实现,耐噪,并且足够快,可用于实时应用。复杂结构在自然图像中普遍存在。一个地区的显著性主要取决于显著性地图应该是快速和容易生成的,以允许处理大型图像集合,并促进有效的图像分类和检索其与附近地区的对比,而与遥远地区的对比则不那么显著。原创 2024-05-14 22:04:28 · 1070 阅读 · 2 评论 -
ExFuse: Enhancing Feature Fusion for Semantic Segmentation
将高级特征与这种“纯粹的”低级特征融合在一起帮助不大,因为低级特征噪声太大,无法提供足够的高分辨率语义引导。相反,如果底层特征包含更多的语义信息,例如编码相对清晰的语义边界,那么融合就变得容易了{通过将高层特征映射对准边界可以获得精细的分割结果。同样,空间信息少的“纯”高级特征也不能充分利用低级特征;换句话说,可以通过在低级特征中引入更多的语义概念或在高级特征中嵌入更多的空间信息来增强特征融合。a)纯粹的“低水平高分辨率”和“纯粹的”高水平低分辨率特征难以融合,因为存在明显的语义和分辨率差距。原创 2024-05-11 14:56:22 · 214 阅读 · 1 评论