論文の概要: Global-Local Aggregation with Deformable Point Sampling for Camouflaged
Object Detection
- arxiv url: http://arxiv.org/abs/2211.12048v1
- Date: Tue, 22 Nov 2022 06:43:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 18:01:27.895172
- Title: Global-Local Aggregation with Deformable Point Sampling for Camouflaged
Object Detection
- Title(参考訳): カモフラージュ物体検出のための変形点サンプリングによるグローバルローカルアグリゲーション
- Authors: Minhyeok Lee, Suhwan Cho, Chaewon Park, Dogyoon Lee, Jungho Lee,
Sangyoun Lee
- Abstract要約: カモフラージュされた物体検出(COD)は、医療、救命、および反軍事分野で注目を集めている。
本稿では,デフォルマブルポイントサンプリング手法を用いた新しいグローバルアグリゲーションアーキテクチャを提案する。
提案手法は,3つの一般的なデータセットを用いて評価し,最先端の性能を実現する。
- 参考スコア(独自算出の注目度): 6.028135242344494
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The camouflaged object detection (COD) task aims to find and segment objects
that have a color or texture that is very similar to that of the background.
Despite the difficulties of the task, COD is attracting attention in medical,
lifesaving, and anti-military fields. To overcome the difficulties of COD, we
propose a novel global-local aggregation architecture with a deformable point
sampling method. Further, we propose a global-local aggregation transformer
that integrates an object's global information, background, and boundary local
information, which is important in COD tasks. The proposed transformer obtains
global information from feature channels and effectively extracts important
local information from the subdivided patch using the deformable point sampling
method. Accordingly, the model effectively integrates global and local
information for camouflaged objects and also shows that important boundary
information in COD can be efficiently utilized. Our method is evaluated on
three popular datasets and achieves state-of-the-art performance. We prove the
effectiveness of the proposed method through comparative experiments.
- Abstract(参考訳): camouflaged object detection(cod)タスクは、背景と非常に似た色やテクスチャを持つオブジェクトを見つけて、セグメンテーションすることを目的としている。
任務の難しさにもかかわらず、CODは医療、救命、反軍事分野で注目を集めている。
我々は,CODの難しさを克服するために,変形可能な点サンプリング手法を用いたグローバルな集約アーキテクチャを提案する。
さらに,CODタスクにおいて重要なオブジェクトのグローバル情報,背景情報,境界情報を統合するグローバルローカルアグリゲーション変換器を提案する。
提案した変換器は特徴チャネルからグローバル情報を取得し,変形点サンプリング法を用いて分割パッチから重要なローカル情報を効果的に抽出する。
これにより、カモフラージュオブジェクトのグローバルおよびローカル情報を効果的に統合するとともに、codにおける重要な境界情報を有効に活用できることを示す。
提案手法は,3つの一般的なデータセットを用いて評価し,最先端の性能を実現する。
提案手法の有効性を比較実験により検証した。
関連論文リスト
- SMamba: Sparse Mamba for Event-based Object Detection [17.141967728323714]
トランスフォーマーに基づく手法は、グローバルなモデリング能力のため、イベントベースのオブジェクト検出において顕著な性能を達成している。
コストを軽減するために、窓の注意に基づくスペーサー化戦略を提案し、重要でない地域を排除している研究者もいる。
本研究では,グローバルなモデリング能力を維持しつつ,計算労力を削減するために適応的なスカラー化を行うSparse Mambaを提案する。
論文 参考訳(メタデータ) (2025-01-21T08:33:32Z) - Toward Realistic Camouflaged Object Detection: Benchmarks and Method [11.279532701331647]
カモフラージュされたオブジェクト検出(COD)は、主にセマンティックまたはインスタンスセグメンテーション手法に依存している。
カモフラージュ検出のためのCAFR(camouflage-aware feature refinement)戦略を提案する。
CAFRは、大型モデルの以前の知識の中で、現在の物体の明確な認識を十分に利用し、背景と前景の区別を深く理解する検出器を支援する。
論文 参考訳(メタデータ) (2025-01-13T13:04:00Z) - SurANet: Surrounding-Aware Network for Concealed Object Detection via Highly-Efficient Interactive Contrastive Learning Strategy [55.570183323356964]
本稿では,隠蔽物体検出のための新しいSurrounding-Aware Network,すなわちSurANetを提案する。
周辺特徴の差分融合を用いて特徴写像のセマンティクスを強化し,隠蔽対象の強調を行う。
次に、周囲の特徴写像を対照的に学習することで隠蔽対象を識別するために、周囲のコントラストロスを適用した。
論文 参考訳(メタデータ) (2024-10-09T13:02:50Z) - GLCONet: Learning Multi-source Perception Representation for Camouflaged Object Detection [23.872633359324098]
我々はGLCONetと呼ばれる新しいグローバルローカル協調最適化ネットワークを提案する。
本稿では、まず、局所的な詳細とグローバルな長距離関係を同時にモデル化するための協調最適化戦略を設計する。
実験により、異なるバックボーンを持つGLCONet法は、画像中の潜在的に重要なピクセルを効果的に活性化できることが示されている。
論文 参考訳(メタデータ) (2024-09-15T02:26:17Z) - PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection [59.355022416218624]
点とボクセルの表現の統合は、LiDARベースの3Dオブジェクト検出においてより一般的になりつつある。
PVAFN(Point-Voxel Attention Fusion Network)と呼ばれる新しい2段3次元物体検出器を提案する。
PVAFNはマルチプール戦略を使用して、マルチスケールとリージョン固有の情報を効果的に統合する。
論文 参考訳(メタデータ) (2024-08-26T19:43:01Z) - 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) - Camouflaged Image Synthesis Is All You Need to Boost Camouflaged
Detection [65.8867003376637]
本研究では,カモフラージュデータの合成フレームワークを提案する。
提案手法では,既存の物体検出モデルのトレーニングに使用可能な,現実的なカモフラージュ画像の生成に生成モデルを用いる。
我々のフレームワークは3つのデータセット上で最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-08-13T06:55:05Z) - DQnet: Cross-Model Detail Querying for Camouflaged Object Detection [54.82390534024954]
カモフラージュされた物体検出のための畳み込みニューラルネットワーク(CNN)は、完全な対象範囲を無視しながら局所的な識別領域を活性化する傾向がある。
本稿では,CNNの内在的特性から部分的活性化が引き起こされることを論じる。
完全なオブジェクト範囲を活性化できる特徴マップを得るために,クロスモデル詳細クエリネットワーク(DQnet)と呼ばれる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-12-16T06:23:58Z) - 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) - Saliency Detection via Global Context Enhanced Feature Fusion and Edge
Weighted Loss [6.112591965159383]
本研究では,コンテキスト融合デコーダネットワーク(CFDN)と近縁重み付き損失(NEWLoss)関数を提案する。
CFDNは、グローバルコンテキスト情報を統合し、不要な空間情報の影響を抑えることにより、正確な唾液マップを作成する。
NewLossは、オブジェクト境界上の重み写像を生成することによって、追加モジュールなしで曖昧な境界の学習を加速する。
論文 参考訳(メタデータ) (2021-10-13T08:04:55Z) - Learning Open-World Object Proposals without Learning to Classify [110.30191531975804]
本研究では,各領域の位置と形状がどの接地トラストオブジェクトとどのように重なり合うかによって,各領域の目的性を純粋に推定する,分類不要なオブジェクトローカライゼーションネットワークを提案する。
この単純な戦略は一般化可能な対象性を学び、クロスカテゴリの一般化に関する既存の提案より優れている。
論文 参考訳(メタデータ) (2021-08-15T14:36:02Z)
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。