-
题名基于交互图推理网络的弱监督伪装目标检测
- 1
-
-
作者
张冬冬
王春平
付强
宋瑶
刘新海
-
机构
陆军工程大学石家庄校区
[
-
出处
《北京理工大学学报》
北大核心
2025年第7期718-730,共13页
-
基金
军内科研项目。
-
文摘
伪装目标检测(camouflaged object detection,COD)是计算机视觉领域一项具有挑战性的基础研究.由于像素级注释的成本较高,研究者们通常采用涂鸦注释作为弱监督信号.然而,涂鸦标注存在信息过于稀疏且缺乏边缘信息等固有局限,这严重制约了模型的预测可靠性.针对这些问题,本文提出一种新颖的交互图推理网络(interactive graphical reasoning network,IGRNet),该网络通过图表示来推断伪装区域及其边缘之间的内在关系.具体而言,引入了图推理网络建模像素间的长距离依赖关系,设计了高效的图交互单元(graph interaction unit,GIU)增强异构特征的表征能力.同时,为提升模型的场景理解能力并充分利用不同特征间的互补性,构建了上下文增强模块(context enhancement module,CEM)实现多特征融合与上下文信息挖掘.此外,提出了自监督伪装检测损失(self-supervised camouflage detection loss,Lscd)来引导网络学习结构信息,进一步增强前景−背景的区分能力.在3个标准基准数据集上的大量实验表明,本文方法不仅显著优于现有弱监督算法,在某些评估指标上甚至超越了全监督方法的性能.
-
关键词
伪装目标检测
弱监督
涂鸦注释
图推理网络
上下文信息
-
Keywords
camouflaged object detection
weak supervision
scribble annotation
graph inference networks
contextual information
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于双注意力擦除和注意力信息聚合的弱监督目标检测
被引量：3
- 2
-
-
作者
宋鹏鹏
龚声蓉
钟珊
周立凡
凤黄浩
-
机构
苏州大学计算机科学与技术学院
常熟理工学院计算机科学与工程学院
吉林大学符号计算与知识工程教育部重点实验室
-
出处
《计算机工程》
CAS
CSCD
北大核心
2023年第3期113-120,127,共9页
-
基金
国家自然科学基金(61972059,42071438)
江苏省自然科学基金(BK20191474,BK20191475,BK20161268)
吉林大学符号计算与知识工程教育部重点实验室项目(93K172021K01,93K172017K18)。
-
文摘
现有的弱监督检测方法主要采用多示例检测网络,但在这些方法中应用分类特征提取网络易使目标尤其是非刚性目标的检测结果收敛到目标最显著局部区域。提出一种基于双注意力擦除和注意力信息聚合的端到端的弱监督检测框架DAENet。双注意力擦除模块的目的在于擦除生成的最显著性局部前景区域和部分背景区域,以此来扩展目标显著性区域,使网络能够尽可能地关注目标整体,从而更好地捕获目标整体区域。此外,为准确定位不同目标区域并精确生成注意力擦除掩码,提出注意力信息聚合模块,该模块可提取通道的全局特征和局部特征,并引入空间依赖性进一步提高检测精度。通过将双注意力擦除和注意力信息聚合进行协同工作,从而更好地提高弱监督检测性能。在PASCAL VOC 2007和VOC 2012数据集上的实验结果表明,DAENet框架在两个数据集上的检测精度分别达到50.5%和47.4%,相比基准模型,在部分非刚性目标上的检测精度提高了约5%~20%。
-
关键词
弱监督目标检测
擦除策略
注意力机制
非刚性目标
深度学习
-
Keywords
weakly supervised object detection(wsod)
erasure strategy
attention mechanism
non-rigid objects
deep learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名一种用于驾驶场景下手机检测的端到端的神经网络
被引量：1
- 3
-
-
作者
戴腾
张珂
尹东
-
机构
中国科学技术大学信息科学技术学院
中国科学院电磁空间信息重点实验室
-
出处
《光电工程》
CAS
CSCD
北大核心
2021年第4期68-77,共10页
-
基金
安徽省2018年度重点研究与开发计划项目(1804a09020049)。
-
文摘
小目标物体实时检测一直是图像处理领域中的难点。本文基于深度学习的目标检测算法,提出了一种端到端的神经网络,用于复杂驾驶场景下的手机小目标检测。首先,通过改进YOLOv4算法,设计了一个端到端的小目标检测网络(OMPDNet)来提取图片特征;其次,基于K-means算法设计了一个聚类中心更加贴切数据样本分布的聚类算法K-means-Precise,用以生成适应于小目标数据的先验框(anchor),从而提升网络模型的效率;最后,采用监督与弱监督方式构建了自己的数据集,并在数据集中加入负样本用于训练。在复杂的驾驶场景实验中,本文提出的OMPDNet算法不仅可以有效地完成驾驶员行车时使用手机的检测任务,而且对小目标检测在准确率和实时性上较当今流行算法都有一定的优势。
-
关键词
目标检测
神经网络
聚类算法
监督与弱监督
-
Keywords
object detection
neural network
clustering algorithm
supervision and weak supervision
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名显著性物体检测研究综述:方法、应用和趋势
被引量：4
- 4
-
-
作者
李婉蓉
徐丹
史金龙
黄树成
-
机构
江苏科技大学计算机学院
-
出处
《计算机应用研究》
CSCD
北大核心
2022年第7期1941-1950,共10页
-
基金
国家自然科学基金资助项目(61772244)。
-
文摘
显著性物体检测旨在快速定位图像中的显著性目标,可用于目标检测和识别、关键点定位、视觉跟踪、语义分割等计算机视觉任务中。为梳理显著性检测研究的发展脉络,从方法、应用领域和研究方向等方面分析显著性检测的研究现状和发展趋势。首先,阐述了显著性检测与相关研究的区别和联系;然后,分析了目前主流的显著性物体检测算法的流程、创新点、性能和适用性;接下来,介绍了显著性检测领域数据集的发展和演化;最后,展望了显著性检测研究的发展趋势并总结了显著性检测的主要应用领域。
-
关键词
显著性物体检测
视觉注意
关注点预测
目标建议
深度学习
弱监督学习
-
Keywords
salient object detection
visual attention
eye fixation prediction
object proposal
deep learning
weak supervision learning
-
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
-
-
题名一种基于弱监督学习的声图小目标快速检测方法
- 5
-
-
作者
徐利刚
朱可卿
韦琳哲
王朋
-
机构
海装驻无锡地区军代室
中国科学院声学研究所
中国科学院大学
-
出处
《应用声学》
CSCD
北大核心
2020年第3期386-394,共9页
-
基金
中国科学院青年创新促进会项目。
-
文摘
小目标检测是声呐图像理解中最引人瞩目,同时又极具挑战性的任务之一。该文基于离散余弦变换和K-近邻聚类,提出了一种快速检测方法。离散余弦变换用于生成图像的指纹,是原始图像在二维频域的一种稀疏表达;改进的K-近邻模型对于带有标签数据的需求量相对较低,提升了算法的处理效率和对弱监督场景的适应性。经试验验证,该方法可在准确率和召回率之间达到一个恰当的平衡点,同时在实时成像的合成孔径声呐图像小目标检测中,获得了较为可靠的结果。
-
关键词
小目标检测
合成孔径声呐成像
弱监督学习
离散余弦变换
K-近邻
-
Keywords
Small object detection
Synthetic aperture sonar imagery
Weak-supervised
Discrete cosine transform
K-nearest neighbor
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
