論文の概要: Perception-and-Regulation Network for Salient Object Detection

• arxiv url: http://arxiv.org/abs/2107.12560v1
• Date: Tue, 27 Jul 2021 02:38:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-28 14:43:13.871050
• Title: Perception-and-Regulation Network for Salient Object Detection
• Title（参考訳）: サルエント物体検出のための知覚・規制ネットワーク
• Authors: Jinchao Zhu, Xiaoyu Zhang, Xian Fang, Junnan Liu
• Abstract要約: 本稿では,特徴間の相互依存性を明示的にモデル化し,特徴融合プロセスを適応的に制御する新しいグローバルアテンションユニットを提案する。 知覚部は、分類網内の完全に接続された層の構造を用いて、物体のサイズと形状を学習する。 さらに、ネットワークのグローバルな認識能力向上のために、模倣眼観察モジュール(IEO)が使用される。
• 参考スコア（独自算出の注目度）: 8.026227647732792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective fusion of different types of features is the key to salient object detection. The majority of existing network structure design is based on the subjective experience of scholars and the process of feature fusion does not consider the relationship between the fused features and highest-level features. In this paper, we focus on the feature relationship and propose a novel global attention unit, which we term the "perception- and-regulation" (PR) block, that adaptively regulates the feature fusion process by explicitly modeling interdependencies between features. The perception part uses the structure of fully-connected layers in classification networks to learn the size and shape of objects. The regulation part selectively strengthens and weakens the features to be fused. An imitating eye observation module (IEO) is further employed for improving the global perception ability of the network. The imitation of foveal vision and peripheral vision enables IEO to scrutinize highly detailed objects and to organize the broad spatial scene to better segment objects. Sufficient experiments conducted on SOD datasets demonstrate that the proposed method performs favorably against 22 state-of-the-art methods.
• Abstract（参考訳）: さまざまな種類の機能を効果的に融合することが、サルエントオブジェクト検出の鍵である。 既存のネットワーク構造設計の大部分は学者の主観的経験に基づいており、特徴融合の過程は融合した特徴と最高レベルの特徴の関係を考慮していない。 本稿では,特徴関係に着目し,特徴間の相互依存性を明示的にモデル化することによって特徴融合プロセスを適応的に制御する「知覚と規制」ブロック(PR)と呼ばれる,新たなグローバルアテンションユニットを提案する。 知覚部は、分類ネットワークにおける完全連結層の構造を用いて、オブジェクトのサイズと形状を学習する。 規制部は、融合する特徴を選択的に強化し、弱める。 さらに、ネットワークのグローバルな認識能力向上のために、模倣眼観察モジュール(IEO)が使用される。 フォビアビジョンと周辺視覚の模倣により、ieoは高精細な物体を精査し、広い空間シーンを組織し、より優れたオブジェクトをセグメント化することができる。 SODデータセット上で実施した十分な実験により,提案手法は22種類の最先端手法に対して良好に動作することを示した。

関連論文リスト

• Localization, balance and affinity: a stronger multifaceted collaborative salient object detector in remote sensing images [24.06927394483275]
  ORSIにおいて,LBA-MCNetと呼ばれる,より強力な多面協調型サリエント物体検出器を提案する。 このネットワークは、ターゲットの正確な位置決め、詳細な機能のバランス、画像レベルのグローバルコンテキスト情報のモデリングに重点を置いている。
  論文  参考訳（メタデータ） (2024-10-31T14:50:48Z)
• Global Feature Pyramid Network [1.2473780585666772]
  視覚的特徴ピラミッドは、目標検出タスクの有効性と効率性を証明している。 現在の手法では、層間特徴の相互作用を過度に強調し、層内特徴調整の重要な側面を無視する傾向にある。
  論文  参考訳（メタデータ） (2023-12-18T14:30:41Z)
• Salient Object Detection in Optical Remote Sensing Images Driven by Transformer [69.22039680783124]
  光リモートセンシング画像(ORSI-SOD)のためのGlobal extract Local Exploration Network(GeleNet)を提案する。 具体的には、GeleNetはまずトランスフォーマーバックボーンを採用し、グローバルな長距離依存関係を持つ4レベルの機能埋め込みを生成する。 3つの公開データセットに関する大規模な実験は、提案されたGeleNetが関連する最先端メソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2023-09-15T07:14:43Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• Feature Aggregation and Propagation Network for Camouflaged Object Detection [42.33180748293329]
  カモフラージュされたオブジェクト検出(COD)は、環境に埋め込まれたカモフラージュされたオブジェクトを検出し、分離することを目的としている。 いくつかのCOD法が開発されているが, 前景オブジェクトと背景環境との固有の類似性により, 依然として不満足な性能に悩まされている。 カモフラージュされた物体検出のための新しい特徴集約・伝播ネットワーク(FAP-Net)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T05:54:28Z)
• Centralized Feature Pyramid for Object Detection [53.501796194901964]
  視覚的特徴ピラミッドは、広範囲のアプリケーションにおいて、有効性と効率の両方において、その優位性を示している。 本稿では,オブジェクト検出のためのOLO特徴ピラミッドを提案する。
  論文  参考訳（メタデータ） (2022-10-05T08:32:54Z)
• Salient Object Detection via Integrity Learning [104.13483971954233]
  整合性とは、ある有能な対象に属するすべての部分を強調する概念である。 ICON(Inteinity Cognition Network)の設計により,高感度物体検出のための整合性学習を容易にする。 ICONは3つの重要なコンポーネントを探索し、強力な整合性機能を学びます。
  論文  参考訳（メタデータ） (2021-01-19T14:53:12Z)
• Towards Accurate Camouflaged Object Detection with Mixture Convolution and Interactive Fusion [45.45231015502287]
  本稿では,大規模な受容場と効果的な特徴融合を統合されたフレームワークに統合する,新しい深層学習型COD手法を提案する。 提案手法は,大規模な受容場からのリッチなコンテキスト情報を集約する,効果的な融合戦略により,カモフラージュされた物体を検出する。
  論文  参考訳（メタデータ） (2021-01-14T16:06:08Z)
• Global Context-Aware Progressive Aggregation Network for Salient Object Detection [117.943116761278]
  我々は,低レベルな外観特徴,高レベルな意味特徴,グローバルな文脈特徴を統合化するための新しいネットワークGCPANetを提案する。 提案手法は, 定量的かつ定性的に, 最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-02T04:26:10Z)
• Cross-layer Feature Pyramid Network for Salient Object Detection [102.20031050972429]
  本稿では,有能な物体検出における進行的融合を改善するために,新しいクロス層特徴ピラミッドネットワークを提案する。 レイヤごとの分散機能は、他のすべてのレイヤからセマンティクスと健全な詳細の両方を同時に所有し、重要な情報の損失を減らします。
  論文  参考訳（メタデータ） (2020-02-25T14:06:27Z)

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。