論文の概要: Advances in Deep Concealed Scene Understanding
- arxiv url: http://arxiv.org/abs/2304.11234v2
- Date: Sun, 2 Jul 2023 09:40:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-04 13:43:30.761581
- 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,シーン理解の隠蔽を目的と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。
私たちは隠されたオブジェクトセグメンテーションのための最大かつ最新のベンチマークを提供します。
オープンな問題とCSU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 exhibiting camouflage. The current boom in terms of techniques
and applications warrants an up-to-date survey. This can help researchers to
better understand the global CSU field, including both current achievements and
remaining challenges. This paper makes four contributions: (1) For the first
time, we present a comprehensive survey of deep learning techniques aimed at
CSU, including a taxonomy, task-specific challenges, and ongoing developments.
(2) To allow for an authoritative quantification of the state-of-the-art, we
offer the largest and latest benchmark for concealed object segmentation (COS).
(3) To evaluate the generalizability of deep CSU in practical scenarios, we
collect 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 CSU. 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、カモフラージュを呈する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。
技術と応用の面での現在のブームは、最新の調査を保証している。
これにより、研究者は現在の成果と残る課題を含むグローバルなCSU分野の理解を深めることができる。
本稿では,(1)CSUを対象とするディープラーニング技術について,分類学,タスク固有の課題,進行中の開発など,総合的な調査を行った。
2)最先端技術の信頼性定量化を可能にするため,隠蔽オブジェクトセグメンテーション(COS)の最大かつ最新のベンチマークを提供する。
3) 実用シナリオにおける深部CSUの一般化性を評価するため,CDS2Kと呼ばれる最大の欠陥セグメントデータセットを多種多様な産業シナリオから収集し,包括的ベンチマークを構築した。
(4) オープン問題とCSU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 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) - Context-aware Cross-level Fusion Network for Camouflaged Object
Detection [23.109969322128958]
本稿では,C2F-Net(Context-aware Cross-level Fusion Network)を提案する。
我々のC2F-Netは有効なCODモデルであり、最先端モデルよりも優れています。
論文 参考訳（メタデータ） (2021-05-26T14:03:36Z) - 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。