論文の概要: Deep Texture-Aware Features for Camouflaged Object Detection

• arxiv url: http://arxiv.org/abs/2102.02996v1
• Date: Fri, 5 Feb 2021 04:38:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-08 18:55:54.217424
• Title: Deep Texture-Aware Features for Camouflaged Object Detection
• Title（参考訳）: 迷彩物体検出のための深部テクスチャ認識機能
• Authors: Jingjing Ren and Xiaowei Hu and Lei Zhu and Xuemiao Xu and Yangyang Xu and Weiming Wang and Zijun Deng and Pheng-Ann Heng
• Abstract要約: 本稿では, テクスチャ認識モジュールを定式化し, 深層畳み込みニューラルネットワークにおけるテクスチャ認識の特徴を学習する。 我々は,キャモフラージュされた物体検出のためのベンチマークデータセット上で,定性的かつ定量的にネットワークを評価した。
• 参考スコア（独自算出の注目度）: 69.84122372541506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Camouflaged object detection is a challenging task that aims to identify objects having similar texture to the surroundings. This paper presents to amplify the subtle texture difference between camouflaged objects and the background for camouflaged object detection by formulating multiple texture-aware refinement modules to learn the texture-aware features in a deep convolutional neural network. The texture-aware refinement module computes the covariance matrices of feature responses to extract the texture information, designs an affinity loss to learn a set of parameter maps that help to separate the texture between camouflaged objects and the background, and adopts a boundary-consistency loss to explore the object detail structures.We evaluate our network on the benchmark dataset for camouflaged object detection both qualitatively and quantitatively. Experimental results show that our approach outperforms various state-of-the-art methods by a large margin.
• Abstract（参考訳）: Camouflagedオブジェクト検出は、周囲に類似したテクスチャを持つオブジェクトを識別することを目的とした挑戦的なタスクです。 本稿では,複数のテクスチャアウェアリファインメントモジュールを定式化し,深層畳み込みニューラルネットワークでテクスチャアウェアの特徴を学習することにより,迷彩物体と迷彩物体の背景との微妙なテクスチャ差を増幅する。 テクスチャ・アウェア・リファインメント・モジュールは、特徴応答の共分散行列を計算し、テクスチャ情報を抽出し、アフィニティ・ロスをデザインし、カモフラージュされたオブジェクトと背景のテクスチャを分離するのに役立つパラメータ・マップのセットを学習し、境界一貫性の損失を採用してオブジェクトの詳細構造を探索し、カモフラージュされたオブジェクト検出のためのベンチマークデータセット上のネットワークを定性および定量的に評価する。 実験の結果,本手法は様々な最先端手法を大差で上回っていることがわかった。

関連論文リスト

• Depth-guided Texture Diffusion for Image Semantic Segmentation [47.46257473475867]
  本稿では,この課題を効果的に解決するディープスガイド型テクスチャ拡散手法を提案する。 本手法は,テクスチャ画像を作成するために,エッジやテクスチャから低レベル特徴を抽出する。 この拡張深度マップを元のRGB画像と結合した特徴埋め込みに統合することにより,深度マップと画像との相違を効果的に橋渡しする。
  論文  参考訳（メタデータ） (2024-08-17T04:55:03Z)
• Explicitly Disentangled Representations in Object-Centric Learning [0.0]
  本稿では, オブジェクト中心のモデルを, 密接な形状やテクスチャ成分に偏在させる新しいアーキテクチャを提案する。 特に, オブジェクト中心のモデルを, 密接な形状やテクスチャ成分に偏在させる新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-18T17:22:11Z)
• ZoomNeXt: A Unified Collaborative Pyramid Network for Camouflaged Object Detection [70.11264880907652]
  最近のオブジェクト(COD)は、現実のシナリオでは極めて複雑で難しい、視覚的にブレンドされたオブジェクトを周囲に分割しようと試みている。 本研究では,不明瞭な画像を観察したり,ズームインしたりアウトしたりする際の人間の行動を模倣する,効果的な統合協調ピラミッドネットワークを提案する。 我々のフレームワークは、画像とビデオのCODベンチマークにおいて、既存の最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2023-10-31T06:11:23Z)
• A bioinspired three-stage model for camouflaged object detection [8.11866601771984]
  本稿では,1回の繰り返しで粗い部分分割を可能にする3段階モデルを提案する。 本モデルでは, 3つのデコーダを用いて, サブサンプル特徴, 収穫特徴, および高解像度のオリジナル特徴を逐次処理する。 我々のネットワークは、不要な複雑さを伴わずに最先端のCNNベースのネットワークを上回る。
  論文  参考訳（メタデータ） (2023-05-22T02:01:48Z)
• AGO-Net: Association-Guided 3D Point Cloud Object Detection Network [86.10213302724085]
  ドメイン適応によるオブジェクトの無傷な特徴を関連付ける新しい3D検出フレームワークを提案する。 我々は,KITTIの3D検出ベンチマークにおいて,精度と速度の両面で最新の性能を実現する。
  論文  参考訳（メタデータ） (2022-08-24T16:54:38Z)
• High-resolution Iterative Feedback Network for Camouflaged Object Detection [128.893782016078]
  カモフラージュされたオブジェクトを背景に視覚的に同化させることは、オブジェクト検出アルゴリズムにとって難しい。 エッジやバウンダリのぼやけた視界を生じさせる細部劣化を避けるために,高分解能テクスチャの詳細を抽出することを目的としている。 我々は,高解像度特徴量による低解像度表現を反復的フィードバック方式で洗練する新しいHitNetを提案する。
  論文  参考訳（メタデータ） (2022-03-22T11:20:21Z)
• Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
  一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。 本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
  論文  参考訳（メタデータ） (2021-12-21T17:10:21Z)
• Depth-Guided Camouflaged Object Detection [31.99397550848777]
  生物学の研究は、深度がカモフラージュされた物体の発見に有用な物体の局在の手がかりとなることを示唆している。 深度情報はカモフラージュされた物体検出には使われていない。 本稿では,既存の単分子深度推定法から事前計算した深度マップを用いた深度誘導型カモフラージュ物体検出ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-24T17:51:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。