显著性
文章平均质量分 82
苦哈哈小硕
这个作者很懒,什么都没留下…
展开
-
显著性:Point-aware Interaction and CNN-induced Refinement Network for RGB-D Salient Object Detection
1.CNNs在建模自模态和跨模态的全局长程依赖方面仍然存在不足,因此提出了CNNs辅助Transformer的架构,并提出了一种新颖的RGBD SOD网络,具有点感知交互和CNN诱导细化( PICR-Net )。2.考虑到RGB模态和深度模态之间的先验相关性,设计了注意力触发的跨模态点感知交互( CmPI )模块,以探索具有位置约束的不同模态的特征交互。原创 2024-06-14 17:02:41 · 921 阅读 · 0 评论 -
显著性目标检测(弱监督):Mutual Information Regularization for Weakly-supervised
1.针对所包含的噪声信息,提出对潜在噪声进行深度校准,并引入交叉参考模块将校准后的深度与RGB特征进行融合2.用深度图的几何先验构建深度分解模块过滤RGB图像中的噪声3.在相同的目标下,备选策略通常涉及一个辅助的深度估计模块或通过自监督学习的精化模块来实现几何信息的更好利用4.图像监督提供粗略的前景定位,突出目标的判别性区域,涂鸦监督则更加精确且稀疏5.互信息(Mutual Information)是度量两个事件集合之间的相关性(mutual dependence)。原创 2024-06-13 20:21:47 · 670 阅读 · 0 评论 -
显著性:Mutual Information Regularization for Weakly-supervised (2023-一区-弱监督)
2.以互信息最小化作为正则化器的渐进预测精化-----首先使用基于最小生成树的在线预测精华技术--树能量损失从而获得结构精化预测;3.第二阶段预测精细化通过多模态变分自编码器---然后,为了充分挖掘多模态数据对弱监督学习任务的贡献,我们提出了基于互信息正则化的多模态互信息最小化,实现了去纠缠表示学习,以充分挖掘每个模态对RGB - D显著性检测的贡献。---》通过树能量损失和基于注意力的融合模块在训练过程中进一步细化初始预测---》互信息上界进行互信息最小化---》多模态变分自编码器的预测精化策略。原创 2024-05-16 08:22:46 · 265 阅读 · 0 评论 -
Specificity-preserving RGB-D Saliency Detection(ICCV-2022)
3.为了有效地融合共享学习网络中的跨模态特征,我们提出了一种交叉增强集成模块( CIM ),然后将融合后的特征传播到下一层,用于集成跨层信息。此外,为了捕获丰富的互补多模态信息以提高SOD性能,我们提出了多模态特征聚合( MFA )模块,将每个单独解码器中的模式特异性特征集成到共享解码器中。学习他们的共享表示 可以通过交叉增强的特征学习有效地利用两个模态之间地相关性,并通过自适应地加权不同特征表示来进行融合,同时将融合之后的特征传输到下一层。特征集成,利用模式特异性的两个特征来增强gsm。原创 2024-05-14 16:16:51 · 444 阅读 · 0 评论 -
RGBD Salient Object Detection via Disentangled Cross-Modal Fusion(2020)阅读学习记录(自用)
1.当前的困难:光照和背景(与显著性目标相似)2.利用先验知识构建各种RGBD的描述符号,或者是利用深度神经网络设计更多样的多模态融合模块。3.手工特征会限制泛化能力,因此使用深度卷积网络去提取特征,早期融合、晚期融合、多尺度融合。4.融合路径多样化,将中间层和深层跨模态特征分开融合。5.设计了一种渐进式的融合路径,在每个层次中涉及到跨模态的组合。6.增加一条自下而上的路径,与自上而下的路径共同作用,补充组合通道。原创 2024-05-13 10:43:02 · 998 阅读 · 1 评论