論文の概要: SAMF: Small-Area-Aware Multi-focus Image Fusion for Object Detection

• arxiv url: http://arxiv.org/abs/2401.08357v1
• Date: Tue, 16 Jan 2024 13:35:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 14:01:30.895038
• Title: SAMF: Small-Area-Aware Multi-focus Image Fusion for Object Detection
• Title（参考訳）: SAMF:オブジェクト検出のための小面積多焦点画像融合
• Authors: Xilai Li, Xiaosong Li, Haishu Tan, Jinyang Li
• Abstract要約: 既存のマルチフォーカス画像融合法(MFIF)は、不確実な遷移領域を保存できないことが多い。 そこで本研究では,オブジェクト検出能力を向上させるためのMFIFアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 6.776991635789825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing multi-focus image fusion (MFIF) methods often fail to preserve the uncertain transition region and detect small focus areas within large defocused regions accurately. To address this issue, this study proposes a new small-area-aware MFIF algorithm for enhancing object detection capability. First, we enhance the pixel attributes within the small focus and boundary regions, which are subsequently combined with visual saliency detection to obtain the pre-fusion results used to discriminate the distribution of focused pixels. To accurately ensure pixel focus, we consider the source image as a combination of focused, defocused, and uncertain regions and propose a three-region segmentation strategy. Finally, we design an effective pixel selection rule to generate segmentation decision maps and obtain the final fusion results. Experiments demonstrated that the proposed method can accurately detect small and smooth focus areas while improving object detection performance, outperforming existing methods in both subjective and objective evaluations. The source code is available at https://github.com/ixilai/SAMF.
• Abstract（参考訳）: 既存のマルチフォーカス画像融合(MFIF)法は、不確実な遷移領域の保存に失敗し、大規模な非集中領域内の小さな焦点領域を正確に検出する。 そこで本研究では,オブジェクト検出能力を向上させるためのMFIFアルゴリズムを提案する。 まず,小焦点領域と境界領域の画素属性を強調し,その後,視覚塩分検出と組み合わせることで,焦点領域の分布を判別するプレフュージョン結果を得る。 画素焦点を正確に確保するため,光源画像はフォーカス領域,デフォーカス領域,不確実領域の組み合わせとして考慮し,三領域分割戦略を提案する。 最後に,セグメンテーション決定マップを生成する効果的な画素選択ルールを設計し,最終的な融合結果を得る。 実験により,提案手法は対象検出性能を向上し,主観的,客観的両評価において既存手法よりも優れることがわかった。 ソースコードはhttps://github.com/ixilai/samfで入手できる。

関連論文リスト

• A Novel Defocus-Blur Region Detection Approach Based on DCT Feature and PCNN Structure [4.086098684345016]
  本研究では、離散コサイン変換(DCT)係数とPCニューラルネット(PCNN)構造に基づく新しいハイブリッド検出手法を提案する。 視覚的および定量的評価は、提案手法が参照アルゴリズムの精度と効率において優れていたことを示している。
  論文  参考訳（メタデータ） (2023-10-12T10:58:10Z)
• 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)
• Center Feature Fusion: Selective Multi-Sensor Fusion of Center-based Objects [26.59231069298659]
  本稿では,自律走行車のためのロバストな3次元物体検出システムを構築するための新しい手法を提案する。 我々は、カメラとLiDARストリームのセンターベースの検出ネットワークを利用して、関連するオブジェクトの位置を識別する。 nuScenesデータセットでは、LiDARのみのベースラインを4.9%のmAPで上回り、他の融合法よりも100倍少ない特徴を融合させる。
  論文  参考訳（メタデータ） (2022-09-26T17:51:18Z)
• AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
  航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。 本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。 AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-18T10:14:45Z)
• Point-Level Region Contrast for Object Detection Pre-Training [147.47349344401806]
  本稿では,物体検出作業のための自己教師付き事前学習手法である点レベル領域コントラストを提案する。 提案手法は,異なる領域から個々の点対を直接抽出することにより,コントラスト学習を行う。 領域ごとの集約表現と比較すると,入力領域の品質の変化に対して,我々のアプローチはより堅牢である。
  論文  参考訳（メタデータ） (2022-02-09T18:56:41Z)
• Towards Reducing Severe Defocus Spread Effects for Multi-Focus Image Fusion via an Optimization Based Strategy [22.29205225281694]
  マルチフォーカス画像融合(MFF)はオールインフォーカス画像を生成する一般的な技術である。 本稿では,デフォーカス拡散効果を低減するための最適化手法を提案する。 実世界データセット上で行った実験は,提案モデルの優位性を検証した。
  論文  参考訳（メタデータ） (2020-12-29T09:26:41Z)
• Addressing Visual Search in Open and Closed Set Settings [8.928169373673777]
  低解像度ギスト画像から画素レベルのオブジェクト性を予測する手法を提案する。 次に,高分解能で局所的にオブジェクト検出を行う領域を選択する。 第二に、未確認の可能性のある対象クラスの全てのインスタンスを探索するオープンセットビジュアルサーチの新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-12-11T17:21:28Z)
• MFIF-GAN: A New Generative Adversarial Network for Multi-Focus Image Fusion [29.405149234582623]
  マルチフォーカス画像融合(MFIF)は、オールインフォーカス画像を得るための有望な技術である。 MFIFの研究動向の1つは、フォーカス/デフォーカス境界(FDB)周辺のデフォーカス拡散効果(DSE)を回避することである。 我々は,MFIF-GANと呼ばれるネットワークを用いて,前景領域が対応する対象よりも正確に大きいフォーカスマップを生成する。
  論文  参考訳（メタデータ） (2020-09-21T09:36:34Z)
• Every Pixel Matters: Center-aware Feature Alignment for Domain Adaptive Object Detector [95.51517606475376]
  ドメイン適応オブジェクト検出器は、オブジェクトの外観、視点、背景のバリエーションを含む可能性のある、見えないドメインに適応することを目的としている。 本稿では,画素単位の目的性と中心性を予測することにより,各画素を考慮に入れたドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-19T17:57:03Z)
• Rethinking of the Image Salient Object Detection: Object-level Semantic Saliency Re-ranking First, Pixel-wise Saliency Refinement Latter [62.26677215668959]
  本稿では,意味的に有意な領域を粗い位置で特定する,軽量で教師付きの深層ネットワークを提案する。 次に,これらセマンティック・サリエント領域の深層モデルを画素ワイド・サリエンシ改善として融合する。 提案手法は単純だが有効であり,本手法は主眼をオブジェクトレベルのセマンティック・リグレード問題とみなすための最初の試みである。
  論文  参考訳（メタデータ） (2020-08-10T07:12:43Z)
• Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
  本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。 これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。