論文の概要: Uncertainty-aware Joint Salient Object and Camouflaged Object Detection
- arxiv url: http://arxiv.org/abs/2104.02628v1
- Date: Tue, 6 Apr 2021 16:05:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-07 15:59:47.880989
- Title: Uncertainty-aware Joint Salient Object and Camouflaged Object Detection
- Title（参考訳）: 不確実性認識ジョイントサルエントオブジェクトとカモフラージュオブジェクト検出
- Authors: Aixuan Li and Jing Zhang and Yunqiu Lv and Bowen Liu and Tong Zhang
and Yuchao Dai
- Abstract要約: 本論文では, 相反する情報を活用し, 対流物体検出と迷彩物体検出の両方の検出能力を高めるパラダイムを提案する。
この2つのタスクの矛盾する属性を明示的にモデル化する類似度測度モジュールを導入する。
両タスクのデータセットにおけるラベル付けの不確実性を考慮して,高次類似度測定とネットワーク信頼度推定を両立させる逆学習ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 43.01556978979627
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Visual salient object detection (SOD) aims at finding the salient object(s)
that attract human attention, while camouflaged object detection (COD) on the
contrary intends to discover the camouflaged object(s) that hidden in the
surrounding. In this paper, we propose a paradigm of leveraging the
contradictory information to enhance the detection ability of both salient
object detection and camouflaged object detection. We start by exploiting the
easy positive samples in the COD dataset to serve as hard positive samples in
the SOD task to improve the robustness of the SOD model. Then, we introduce a
similarity measure module to explicitly model the contradicting attributes of
these two tasks. Furthermore, considering the uncertainty of labeling in both
tasks' datasets, we propose an adversarial learning network to achieve both
higher order similarity measure and network confidence estimation. Experimental
results on benchmark datasets demonstrate that our solution leads to
state-of-the-art (SOTA) performance for both tasks.
- Abstract（参考訳）: 視覚サルエント物体検出(sod)は、人間の注意を引くサルエント物体を見つけることを目的としているが、反対のカモフラージュ物体検出(cod)は、周囲に隠されたカモフラージュ物体を発見することを目的としている。
本稿では,この矛盾情報を活用して,有能な物体検出と擬似物体検出の両方の検出能力を向上するパラダイムを提案する。
まず、CODデータセットの簡単な正のサンプルをSODタスクのハードな正のサンプルとして利用し、SODモデルの堅牢性を改善することから始める。
次に、これらの2つのタスクの矛盾する属性を明示的にモデル化する類似度測定モジュールを導入する。
さらに,両タスクのデータセットにおけるラベル付けの不確かさを考慮し,高次類似度測定とネットワーク信頼度推定の両方を実現するための対向学習ネットワークを提案する。
ベンチマークデータセットによる実験結果から,本手法が両タスクのSOTA(State-of-the-art)性能につながることが示された。
関連論文リスト
- Uncertainty-Guided Appearance-Motion Association Network for Out-of-Distribution Action Detection [4.938957922033169]
セマンティックシフトでテストサンプルを検出し、拒否するOOD(Out-of-Distribution)検出ターゲット。
我々は,新しい不確実性誘導外観運動ネットワーク(UAAN)を提案する。
UAANは最先端の手法をかなりの差で打ち負かし、その効果を実証する。
論文 参考訳（メタデータ） (2024-09-16T02:53:49Z) - Towards Consistent Object Detection via LiDAR-Camera Synergy [17.665362927472973]
物体の位置を点雲と画像の両方で検出できる既存のモデルは存在しない。
本稿では,エンドツーエンドの一貫性オブジェクト検出(COD)アルゴリズムフレームワークを提案する。
本稿では,点雲と画像間の物体相関の精度を評価するために,新しい評価指標である一貫性精度(Consistency Precision)を提案する。
論文 参考訳（メタデータ） (2024-05-02T13:04:26Z) - Few-shot Oriented Object Detection with Memorable Contrastive Learning in Remote Sensing Images [11.217630579076237]
リモートセンシングの分野では、FSOD(Few-shot Object Detection)が注目されている。
本稿では,Few-shot Oriented Object Detection with Memorable Contrastive Learning (FOMC) という,リモートセンシングのための新しいFSOD法を提案する。
具体的には、従来の水平有界ボックスの代わりに指向的有界ボックスを用いて、任意指向の空中オブジェクトのより優れた特徴表現を学習する。
論文 参考訳（メタデータ） (2024-03-20T08:15:18Z) - Joint Salient Object Detection and Camouflaged Object Detection via
Uncertainty-aware Learning [47.253370009231645]
本稿では,SOD と Camouflaged Object Detection (COD) の矛盾する情報を探るため,不確実性を考慮した学習パイプラインを提案する。
我々の解決策は、最先端の性能と情報的不確実性の推定の両方につながる。
論文 参考訳（メタデータ） (2023-07-10T15:49:37Z) - USD: Unknown Sensitive Detector Empowered by Decoupled Objectness and
Segment Anything Model [14.080744645704751]
Open World Object Detection (OWOD) は、新しいコンピュータビジョンタスクである。
本稿では,この2つの境界の学習をデコーダ層に分割する,シンプルで効果的な学習戦略であるDecoupled Objectness Learning(DOL)を提案する。
また、擬似ラベルとソフトウェイト戦略を用いてノイズの負の影響を緩和する補助的スーパービジョンフレームワーク(ASF)も導入する。
論文 参考訳（メタデータ） (2023-06-04T06:42:09Z) - SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。
提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
論文 参考訳（メタデータ） (2023-04-10T11:10:42Z) - Adversarially-Aware Robust Object Detector [85.10894272034135]
本稿では,ロバスト検出器 (RobustDet) を提案する。
本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
論文 参考訳（メタデータ） (2022-07-13T13:59:59Z) - One-Shot Object Affordance Detection in the Wild [76.46484684007706]
Affordance Detectionは、画像内のオブジェクトの潜在的なアクション可能性を特定することを指す。
我々は、人間の行動目的を推定し、それを転送して、すべての候補画像から共通価格を検出するワンショットアフォーダンス検出ネットワーク(OSAD-Net)を考案する。
複雑なシーンと豊富なアノテーションによって、当社のPADv2データセットは、アベイランス検出メソッドをベンチマークするためのテストベッドとして使用することができます。
論文 参考訳（メタデータ） (2021-08-08T14:53:10Z) - Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。
古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文 参考訳（メタデータ） (2020-11-17T09:39:42Z)
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。