論文の概要: Seamless Detection: Unifying Salient Object Detection and Camouflaged Object Detection

• arxiv url: http://arxiv.org/abs/2412.16840v1
• Date: Sun, 22 Dec 2024 03:25:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:58:29.238383
• Title: Seamless Detection: Unifying Salient Object Detection and Camouflaged Object Detection
• Title（参考訳）: シームレス検出: 健全な物体検出とカモフラージュされた物体検出を統一する
• Authors: Yi Liu, Chengxin Li, Xiaohui Dong, Lei Li, Dingwen Zhang, Shoukun Xu, Jungong Han,
• Abstract要約: 本稿では,SOD(Salient Object Detection)とCOD(Camouflaged Object Detection)を統合化するためのタスク非依存フレームワークを提案する。 我々は、間隔層と大域的コンテキストを含む単純で効果的なコンテキストデコーダを設計し、67fpsの推論速度を実現する。 公開SODデータセットとCODデータセットの実験は、教師なし設定と教師なし設定の両方において、提案したフレームワークの優位性を実証している。
• 参考スコア（独自算出の注目度）: 73.85890512959861
• License:
• Abstract: Achieving joint learning of Salient Object Detection (SOD) and Camouflaged Object Detection (COD) is extremely challenging due to their distinct object characteristics, i.e., saliency and camouflage. The only preliminary research treats them as two contradictory tasks, training models on large-scale labeled data alternately for each task and assessing them independently. However, such task-specific mechanisms fail to meet real-world demands for addressing unknown tasks effectively. To address this issue, in this paper, we pioneer a task-agnostic framework to unify SOD and COD. To this end, inspired by the agreeable nature of binary segmentation for SOD and COD, we propose a Contrastive Distillation Paradigm (CDP) to distil the foreground from the background, facilitating the identification of salient and camouflaged objects amidst their surroundings. To probe into the contribution of our CDP, we design a simple yet effective contextual decoder involving the interval-layer and global context, which achieves an inference speed of 67 fps. Besides the supervised setting, our CDP can be seamlessly integrated into unsupervised settings, eliminating the reliance on extensive human annotations. Experiments on public SOD and COD datasets demonstrate the superiority of our proposed framework in both supervised and unsupervised settings, compared with existing state-of-the-art approaches. Code is available on https://github.com/liuyi1989/Seamless-Detection.
• Abstract（参考訳）: 局所物体検出 (SOD) とカモフラージュ対象検出 (COD) の連成学習は, 相違する対象特性,すなわち塩分濃度とカモフラージュにより, 極めて困難である。 唯一の予備的な研究は、これらを2つの矛盾したタスクとして扱い、大規模ラベル付きデータのトレーニングモデルをタスクごとに交互に行い、それらを独立して評価する。 しかし、そのようなタスク固有のメカニズムは、未知のタスクに効果的に対処するための現実世界の要求を満たすことができない。 本論文では,SODとCODを統合化するためのタスク非依存フレームワークの先駆けとして,この問題に対処する。 そこで本研究では,SOD と COD の2成分分離の相同性に着想を得て,前景を背景から消毒するコントラスト蒸留パラダイム (CDP) を提案する。 CDPのコントリビューションを調査するため、インターバル層とグローバルコンテキストを含む簡易で効果的なコンテキストデコーダを設計し、67fpsの推論速度を実現した。 教師なし設定に加えて、我々のCDPは教師なし設定にシームレスに統合され、広範囲な人間のアノテーションへの依存をなくすことができる。 公開SODデータセットとCODデータセットの実験は、既存の最先端のアプローチと比較して、教師なし設定と教師なし設定の両方において、提案したフレームワークの優位性を実証している。 コードはhttps://github.com/liuyi1989/Seamless-Detectionで入手できる。

関連論文リスト

• 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)
• Semi-supervised Open-World Object Detection [74.95267079505145]
  半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。 提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。 我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-25T07:12:51Z)
• Occlusion-Aware Detection and Re-ID Calibrated Network for Multi-Object Tracking [38.36872739816151]
  検出器内のOAA(Occlusion-Aware Attention)モジュールは、隠蔽された背景領域を抑えながらオブジェクトの特徴を強調する。 OAAは、隠蔽される可能性のある物体の検出器を強化する変調器として機能する。 最適輸送問題に基づくRe-ID埋め込みマッチングブロックを設計する。
  論文  参考訳（メタデータ） (2023-08-30T06:56:53Z)
• Joint Salient Object Detection and Camouflaged Object Detection via Uncertainty-aware Learning [47.253370009231645]
  本稿では,SOD と Camouflaged Object Detection (COD) の矛盾する情報を探るため,不確実性を考慮した学習パイプラインを提案する。 我々の解決策は、最先端の性能と情報的不確実性の推定の両方につながる。
  論文  参考訳（メタデータ） (2023-07-10T15:49:37Z)
• SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
  本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。 提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
  論文  参考訳（メタデータ） (2023-04-10T11:10:42Z)
• Open-Set Semi-Supervised Object Detection [43.464223594166654]
  近年,Semi-Supervised Object Detection (SSOD) の開発が進められている。 我々は、より実用的で難しい問題、OSSOD(Open-Set Semi-Supervised Object Detection)を考える。 提案フレームワークはセマンティック拡張問題に効果的に対処し,OSSODベンチマークにおける一貫した改善を示す。
  論文  参考訳（メタデータ） (2022-08-29T17:04:30Z)
• Uncertainty-aware Joint Salient Object and Camouflaged Object Detection [43.01556978979627]
  本論文では, 相反する情報を活用し, 対流物体検出と迷彩物体検出の両方の検出能力を高めるパラダイムを提案する。 この2つのタスクの矛盾する属性を明示的にモデル化する類似度測度モジュールを導入する。 両タスクのデータセットにおけるラベル付けの不確実性を考慮して,高次類似度測定とネットワーク信頼度推定を両立させる逆学習ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-06T16:05:10Z)
• Progressive Object Transfer Detection [84.48927705173494]
  本稿では,新しいプログレッシブオブジェクト転送検出(POTD)フレームワークを提案する。 第一に、POTDは様々なドメインの様々なオブジェクトを効果的にプログレッシブな検出手順に活用することができる。 第2に、POTDは2つの微妙な転送段階、すなわち、LSTD(low-Shot Transfer Detection)とWSTD(Weakly Supervised Transfer Detection)から構成される。
  論文  参考訳（メタデータ） (2020-02-12T00:16:24Z)

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。