arxiv論文整理20240120-0126(目標(biāo)檢測方向)

A Saliency Enhanced Feature Fusion based multiscale RGB-D Salient Object Detection Network（ICASSP 2024）

摘要： 多尺度卷積神經(jīng)網(wǎng)絡(luò)（CNN）在解決各種視覺問題方面表現(xiàn)出了顯著的能力。然而，融合不同尺度的特征總是導(dǎo)致大型模型大小，阻礙了多尺度CNN在RGB-D顯著性檢測中的應(yīng)用。在本文中，我們提出了一種定制的特征融合模塊，名為Saliency Enhanced Feature Fusion（SEFF），用于RGB-D顯著性檢測。SEFF利用相鄰尺度的顯著性圖來增強(qiáng)融合所需的特征，從而產(chǎn)生更具代表性的融合特征。我們的多尺度RGB-D顯著性檢測器使用SEFF，并使用三個不同尺度處理圖像。SEFF用于融合RGB和深度圖像的特征，以及不同尺度解碼器的特征。對五個基準(zhǔn)數(shù)據(jù)集進(jìn)行的大量實驗證明了我們的方法優(yōu)于十種SOTA顯著性檢測器。

點評： 利用相鄰尺度的顯著性圖來增強(qiáng)融合所需的特征。

Enhancing Object Detection Performance for Small Objects through Synthetic Data Generation and Proportional Class-Balancing Technique: A Comparative Study in Industrial Scenarios（ESAIM23 ）

摘要： 目標(biāo)檢測（OD）已被證明是提取局部類信息的重要計算機(jī)視覺方法，在工業(yè)中具有多種應(yīng)用。盡管許多最先進(jìn)的目標(biāo)檢測（SOTA）模型在中大型物體上表現(xiàn)良好，但它們似乎在小物體上表現(xiàn)不佳。在大多數(shù)工業(yè)用例中，很難收集和注釋小物體的數(shù)據(jù)，因為這是耗時且容易出現(xiàn)人為錯誤的。此外，這些數(shù)據(jù)集可能是不平衡的，并且通常會導(dǎo)致模型收斂不高效。為了解決這一挑戰(zhàn)，本研究提出了一種注入額外數(shù)據(jù)點以提高OD模型性能的新方法。通過使用合成數(shù)據(jù)生成，可以最小化小目標(biāo)數(shù)據(jù)點的數(shù)據(jù)收集和注釋困難，并創(chuàng)造一個具有平衡分布的數(shù)據(jù)集。本文討論了一種簡單的比例類平衡技術(shù)的效果，以實現(xiàn)更好的錨點匹配的OD模型。在工業(yè)用例中，對最先進(jìn)的OD模型（YOLOv5、YOLOv7和SSD）的實際和合成數(shù)據(jù)集的性能進(jìn)行了比較。

點評： 通過使用合成數(shù)據(jù)生成和比例類平衡技術(shù)來增強(qiáng)對小型物體的目標(biāo)檢測性能。

ps：承接程序代寫， 小程序編寫  程序應(yīng)用 深度學(xué)習(xí) 卷積神經(jīng)網(wǎng)絡(luò) pytorch paddlepaddle  數(shù)據(jù)結(jié)構(gòu) 機(jī)器學(xué)習(xí) 目標(biāo)檢測 圖像處理

有需要的兄弟們可以在我公眾號留言。

論文解讀的ppt（有備注，可直接講）可以在知識星球獲取：

我正在「目標(biāo)檢測er的小圈子」和朋友們討論有趣的話題，你?起來吧？

https://t.zsxq.com/0cM8tmd4l