論文の概要: Fast Camouflaged Object Detection via Edge-based Reversible
Re-calibration Network
- arxiv url: http://arxiv.org/abs/2111.03216v1
- Date: Fri, 5 Nov 2021 02:03:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 00:06:11.794347
- Title: Fast Camouflaged Object Detection via Edge-based Reversible
Re-calibration Network
- Title(参考訳): エッジベース可逆再校正ネットワークによる高速カモフラージュ物体検出
- Authors: Ge-Peng Ji, Lei Zhu, Mingchen Zhuge, Keren Fu
- Abstract要約: 本稿では,ERRNetと呼ばれるエッジベースの可逆再校正ネットワークを提案する。
Selective Edge Aggregation(SEA)とReversible Re-calibration Unit(RRU)の2つの革新的な設計が特徴である。
実験の結果,ERRNetは3つのCODデータセットと5つの医用画像セグメンテーションデータセットで既存の最先端ベースラインよりも優れていた。
- 参考スコア(独自算出の注目度): 17.538512222905087
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Camouflaged Object Detection (COD) aims to detect objects with similar
patterns (e.g., texture, intensity, colour, etc) to their surroundings, and
recently has attracted growing research interest. As camouflaged objects often
present very ambiguous boundaries, how to determine object locations as well as
their weak boundaries is challenging and also the key to this task. Inspired by
the biological visual perception process when a human observer discovers
camouflaged objects, this paper proposes a novel edge-based reversible
re-calibration network called ERRNet. Our model is characterized by two
innovative designs, namely Selective Edge Aggregation (SEA) and Reversible
Re-calibration Unit (RRU), which aim to model the visual perception behaviour
and achieve effective edge prior and cross-comparison between potential
camouflaged regions and background. More importantly, RRU incorporates diverse
priors with more comprehensive information comparing to existing COD models.
Experimental results show that ERRNet outperforms existing cutting-edge
baselines on three COD datasets and five medical image segmentation datasets.
Especially, compared with the existing top-1 model SINet, ERRNet significantly
improves the performance by $\sim$6% (mean E-measure) with notably high speed
(79.3 FPS), showing that ERRNet could be a general and robust solution for the
COD task.
- Abstract(参考訳): camouflaged object detection (cod) は、周囲に類似したパターン(テクスチャ、強度、色など)を持つ物体を検出することを目的としており、近年は研究の関心が高まっている。
カモフラージュされたオブジェクトは、しばしば非常にあいまいな境界が存在するため、オブジェクトの位置と弱い境界を決定する方法は困難であり、またこのタスクの鍵でもある。
人間の観察者が迷彩された物体を発見する際の生物学的視覚知覚過程に着想を得て,新しいエッジベース可逆再結合ネットワークerrnetを提案する。
本モデルの特徴は,視覚的知覚行動のモデル化と,潜在的なカモフラージュ領域と背景領域の相互比較を目的とした,選択的エッジアグリゲーション(SEA)と可逆的再校正ユニット(RRU)の2つの革新的設計である。
さらに重要なことは、RRUは既存のCODモデルと比較したより包括的な情報で、様々な事前情報を組み込んでいることだ。
実験の結果,ERRNetは3つのCODデータセットと5つの医用画像セグメンテーションデータセットで既存の最先端ベースラインよりも優れていた。
特に、既存の top-1 モデル sinet と比較すると、errnet は cod タスクの汎用的かつ堅牢なソリューションとして、特に高速 (79.3 fps) で $\sim$6% (平均 e-measure) の性能を大幅に改善している。
関連論文リスト
- CoFiNet: Unveiling Camouflaged Objects with Multi-Scale Finesse [46.79770062391987]
本稿では,CoFiNetというカモフラージュ物体検出手法を提案する。
提案手法は,マルチスケールな特徴融合と抽出に重点を置いており,特にモデルのセグメンテーションの有効性に注目している。
CoFiNetは、すべてのデータセットで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-02-03T17:24:55Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳(メタデータ) (2023-11-21T19:49:13Z) - Frequency Perception Network for Camouflaged Object Detection [51.26386921922031]
周波数領域のセマンティック階層によって駆動される新しい学習可能かつ分離可能な周波数知覚機構を提案する。
ネットワーク全体では、周波数誘導粗い局所化ステージと細部保存の微細局在化ステージを含む2段階モデルを採用している。
提案手法は,既存のモデルと比較して,3つのベンチマークデータセットにおいて競合性能を実現する。
論文 参考訳(メタデータ) (2023-08-17T11:30:46Z) - Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。
まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。
最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
論文 参考訳(メタデータ) (2023-07-01T13:53:14Z) - Salient Object Detection for Point Clouds [13.852801615283747]
我々は、ポイントクラウドのシナリオにおいて最も目を引くオブジェクトを合理的に反映する、有能なオブジェクトのビュー依存の視点を新たに提示する。
我々は,2,872個のイン/アウトドア3DビューからなるポイントクラウドSODのための最初のデータセットであるPCSODを紹介する。
提案モデルでは,不規則点と不規則点を効果的に解析し,有意な物体を検出する。
論文 参考訳(メタデータ) (2022-07-25T03:35:46Z) - Boundary-Guided Camouflaged Object Detection [20.937071658007255]
カモフラージュ物体検出のための新しい境界誘導ネットワーク(BGNet)を提案する。
提案手法は,CODの表現学習をガイドするために,重要かつ余分なオブジェクト関連エッジセマンティクスを探索する。
提案手法は, 正確な境界位置同定を行うために, カモフラージュした物体の検出を促進する。
論文 参考訳(メタデータ) (2022-07-02T10:48:35Z) - 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) - Zoom In and Out: A Mixed-scale Triplet Network for Camouflaged Object
Detection [0.0]
本稿では,不明瞭な画像を観察する際の人間の動作を模倣する混合スケール三重項ネットワークbf ZoomNetを提案する。
具体的には、ZoomNetは、ズーム戦略を用いて、設計されたスケール統合ユニットと階層的な混合スケールユニットによって、差別的な混合スケール意味学を学ぶ。
提案したタスクフレンドリなモデルは、4つの公開データセット上の既存の23の最先端手法を一貫して上回っている。
論文 参考訳(メタデータ) (2022-03-05T09:13:52Z) - Salient Objects in Clutter [130.63976772770368]
本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。
この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。
我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
論文 参考訳(メタデータ) (2021-05-07T03:49:26Z) - Location-Sensitive Visual Recognition with Cross-IOU Loss [177.86369890708457]
本稿では,オブジェクト検出,インスタンスセグメンテーション,ポーズ推定のための位置感知ネットワーク (LSNet) という統合ソリューションを提案する。
ディープニューラルネットワークをバックボーンとして、LSNetは、ターゲットオブジェクトの形状を一緒に定義するアンカーポイントとランドマークのセットを予測します。
論文 参考訳(メタデータ) (2021-04-11T02:17:14Z)
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。