論文の概要: Advances in Deep Concealed Scene Understanding

• arxiv url: http://arxiv.org/abs/2304.11234v1
• Date: Fri, 21 Apr 2023 20:01:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 19:44:16.593196
• Title: Advances in Deep Concealed Scene Understanding
• Title（参考訳）: シーン理解の深層化の進展
• Authors: Deng-Ping Fan, Ge-Peng Ji, Peng Xu, Ming-Ming Cheng, Christos Sakaridis, Luc Van Gool
• Abstract要約: 本研究では,隠れたシーン理解を指向したディープラーニング技術に関する包括的調査を行う。 我々はConcealed Object(COS)の最大かつ最新のベンチマークに貢献する。 このコミュニティのオープンな問題と潜在的研究の方向性について論じる。
• 参考スコア（独自算出の注目度）: 145.88351069150943
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concealed scene understanding (CSU) is a hot computer vision topic aiming to perceive objects with camouflaged properties. The current boom in its advanced techniques and novel applications makes it timely to provide an up-to-date survey to enable researchers to understand the global picture of the CSU field, including both current achievements and major challenges. This paper makes four contributions: (1) For the first time, we present a comprehensive survey of the deep learning techniques oriented at CSU, including a background with its taxonomy, task-unique challenges, and a review of its developments in the deep learning era via surveying existing datasets and deep techniques. (2) For a quantitative comparison of the state-of-the-art, we contribute the largest and latest benchmark for Concealed Object Segmentation (COS). (3) To evaluate the transferability of deep CSU in practical scenarios, we re-organize the largest concealed defect segmentation dataset termed CDS2K with the hard cases from diversified industrial scenarios, on which we construct a comprehensive benchmark. (4) We discuss open problems and potential research directions for this community. Our code and datasets are available at https://github.com/DengPingFan/CSU, which will be updated continuously to watch and summarize the advancements in this rapidly evolving field.
• Abstract（参考訳）: Concealed scene understanding (CSU) は、擬似的特性を持つ物体を知覚することを目的とした、ホットコンピュータビジョンのトピックである。 現在の最先端技術と新しい応用のブームは、研究者が現在の成果と大きな課題を含むCSU分野のグローバルなイメージを理解するために、最新の調査を提供することをタイムリーにしている。 本論文は,(1)CSUにおける深層学習技術に関する総合的な調査を初めて実施し,その背景には,その分類,課題・普遍的課題,および既存のデータセットや深層学習技術による深層学習時代の発展について概観する。 2)最先端の定量的比較を行うため,COS(Concealed Object Segmentation)の最大かつ最新のベンチマークに貢献する。 3) 実用シナリオにおける深層csuの転送可能性を評価するために,cds2kと呼ばれる最大の隠蔽欠陥セグメンテーションデータセットを再編成し,包括的ベンチマークを構築した。 (4)このコミュニティのオープンな問題と潜在的研究の方向性について論じる。 私たちのコードとデータセットはhttps://github.com/DengPingFan/CSUで公開されています。

関連論文リスト

• A Survey of Camouflaged Object Detection and Beyond [19.418542867580374]
  カモフラージュオブジェクト検出(カモフラーゲオブジェクト検出、COD)は、周囲にシームレスに結合したオブジェクトを識別し、セグメント化するタスクである。 近年、CODは監視、野生生物保護、自律システムなどへの応用の可能性から、広く注目を集めている。 本稿では、画像レベルとビデオレベルの両方のソリューションを含む、4つの領域にわたる様々なCOD手法について検討する。
  論文  参考訳（メタデータ） (2024-08-26T18:23:22Z)
• A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
  水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。 多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
  論文  参考訳（メタデータ） (2024-05-30T04:46:40Z)
• A Threefold Review on Deep Semantic Segmentation: Efficiency-oriented, Temporal and Depth-aware design [77.34726150561087]
  我々は、自動運転車のビジョンの文脈において、Deep Semanticの最も関連性があり最近の進歩について調査を行う。 私たちの主な目的は、それぞれの視点で直面している主要な方法、利点、制限、結果、課題に関する包括的な議論を提供することです。
  論文  参考訳（メタデータ） (2023-03-08T01:29:55Z)
• Camouflaged Object Detection via Context-aware Cross-level Fusion [10.942917945534678]
  カモフラージュされた物体検出(COD)は、自然界に隠れている物体を識別することを目的としている。 本稿では,コンテキスト認識型クロスレベル統合ネットワーク(C2F-Net)を提案する。 C2F-Netは効果的なCODモデルであり、最先端(SOTA)モデルよりも優れています。
  論文  参考訳（メタデータ） (2022-07-27T08:34:16Z)
• Deep Depth Completion: A Survey [26.09557446012222]
  我々は、読者が研究動向をよりよく把握し、現在の進歩を明確に理解するのに役立つ総合的な文献レビューを提供する。 ネットワークアーキテクチャ,損失関数,ベンチマークデータセット,学習戦略の設計面から,関連する研究について検討する。 室内および屋外のデータセットを含む,広く使用されている2つのベンチマークデータセットに対して,モデル性能の定量的比較を行った。
  論文  参考訳（メタデータ） (2022-05-11T08:24:00Z)
• Deep Learning for Face Anti-Spoofing: A Survey [74.42603610773931]
  対面防止(FAS)は、プレゼンテーションアタック(PA)から顔認識システムを保護する上で重要な役割を担っているため、近年注目を集めている。
  論文  参考訳（メタデータ） (2021-06-28T19:12:00Z)
• Concealed Object Detection [140.98738087261887]
  隠蔽物体検出(COD)に関する最初の体系的研究を紹介します。 CODは、背景に「完全に」埋め込まれているオブジェクトを特定することを目指しています。 このタスクをより理解するために、cod10kと呼ばれる大規模なデータセットを収集します。
  論文  参考訳（メタデータ） (2021-02-20T06:49:53Z)
• Deep Learning for Scene Classification: A Survey [48.57123373347695]
  シーン分類は、コンピュータビジョンにおける長年の、根本的かつ挑戦的な問題である。 大規模データセットの出現と深層学習技術のルネッサンスは、シーン表現と分類の分野において顕著な進歩をもたらした。 本稿では,深層学習によるシーン分類における最近の成果を総合的に調査する。
  論文  参考訳（メタデータ） (2021-01-26T03:06:50Z)

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。