arxiv論文整理20230708-0714(目標檢測方向)

Edge-Aware Mirror Network for Camouflaged Object Detection（ICME2023 paper）

摘要： 現(xiàn)有的邊緣感知偽裝物體檢測（COD）方法通常在早期階段輸出邊緣預測。然而，邊緣是后續(xù)分割任務中重要且基本的因素。由于偽裝目標和周圍環(huán)境之間的高視覺相似性，早期階段預測的邊緣先驗通常會引入錯誤的前景-背景并污染分割特征。為了解決這個問題，我們提出了一種新穎的邊緣感知鏡像網(wǎng)絡（EAMNet），它將邊緣檢測和偽裝物體分割建模為一個交叉優(yōu)化過程。更具體地說，EAMNet有一個雙分支結(jié)構(gòu)，其中設計了分割誘導的邊緣聚合模塊和邊緣誘導的完整性聚合模塊來交叉引導分割分支和邊緣檢測分支。引導-殘差通道注意力模塊利用RGB殘差連接更好地從低層特征中提取結(jié)構(gòu)細節(jié)。定量和定性實驗結(jié)果表明，EAMNet在三個廣泛使用的COD數(shù)據(jù)集上都超過了現(xiàn)有的最先進的基線方法。代碼可以在： https://github.com/sdy1999/EAMNet獲取。

點評： 提出了一種新穎的邊緣感知鏡像網(wǎng)絡（EAMNet），它將邊緣檢測和偽裝物體分割視為一個交叉優(yōu)化的過程。代碼已開源。

Camouflaged Object Detection with Feature Grafting and Distractor Aware（ICME2023）

摘要： 偽裝物體檢測（COD）的任務是準確地將與環(huán)境融為一體的偽裝物體從背景中分割出來，這比普通的檢測更具挑戰(zhàn)性，因為目標和背景之間的紋理在視覺上難以區(qū)分。在本文中，我們提出了一種新穎的特征嫁接和干擾物感知網(wǎng)絡（FDNet）來處理COD任務。具體來說，我們使用CNN和Transformer并行地對多尺度圖像進行編碼。為了更好地利用兩種編碼器的優(yōu)勢，我們設計了一個基于交叉注意力的特征嫁接模塊，將Transformer分支提取的特征嫁接到CNN分支中，然后在特征融合模塊中進行特征聚合。一個干擾物感知模塊被設計用來顯式地對COD任務中的兩種可能的干擾物進行建模，以精細化偽裝圖。我們還提出了目前最大的人工偽裝物體數(shù)據(jù)集，包含2000張帶有標注的圖像，命名為ACOD2K。我們在四個廣泛使用的基準數(shù)據(jù)集和ACOD2K數(shù)據(jù)集上進行了廣泛的實驗。結(jié)果表明，我們的方法顯著優(yōu)于其他最先進的方法。代碼和ACOD2K將在https://github.com/syxvision/FDNet上公開。

點評： 使用了CNN和Transformer并行地對多尺度圖像進行編碼，利用了兩種編碼器的優(yōu)勢。代碼將開源。

YOGA: Deep Object Detection in the Wild with Lightweight Feature Learning and Multiscale Attention（Pattern Recognition）

摘要： 我們介紹了YOGA，一種基于深度學習的輕量級目標檢測模型，可以在低端邊緣設備上運行，同時保持競爭力的準確率。YOGA的架構(gòu)由一個兩階段的特征學習流程組成，該流程使用了一種廉價的線性變換，可以只使用傳統(tǒng)卷積神經(jīng)網(wǎng)絡所需卷積濾波器的一半來學習特征圖。此外，它在其頸部使用了一種注意力機制來進行多尺度特征融合，而不是傳統(tǒng)檢測器使用的簡單拼接。YOGA是一個靈活的模型，可以根據(jù)不同的硬件約束輕松地放大或縮小幾個數(shù)量級。我們在COCO-val和COCO-testdev數(shù)據(jù)集上與10多種最先進的目標檢測器進行了評估，結(jié)果顯示YOGA在模型大小和準確率之間達到了最佳的平衡（AP提高了22%，參數(shù)和FLOPs分別減少了23-34%），使其成為在低端邊緣設備上部署的理想選擇。這一點也得到了在NVIDIA Jetson Nano上的硬件實現(xiàn)和評估的證實。

點評： 設計了一個兩階段的特征學習流程，使用了一種廉價的線性變換，可以只使用傳統(tǒng)卷積神經(jīng)網(wǎng)絡所需卷積濾波器的一半來學習特征圖。代碼將開源。

Multimodal Object Detection in Remote Sensing（IGARSS 2023）

摘要： 遙感目標檢測是一項至關(guān)重要的計算機視覺任務，隨著深度學習技術(shù)的發(fā)展，取得了顯著的進步。然而，該領域的大多數(shù)現(xiàn)有工作都集中在使用通用的目標檢測，而沒有利用多模態(tài)數(shù)據(jù)融合的潛力。在本文中，我們對遙感多模態(tài)目標檢測的方法進行了比較，調(diào)查了適合評估的多模態(tài)數(shù)據(jù)集，并討論了未來的方向。

點評： 對遙感多模態(tài)目標檢測的方法進行了比較，調(diào)查了適合評估的多模態(tài)數(shù)據(jù)集，并討論了未來的方向。

ps：承接程序代寫，?小程序編寫? 程序應用 深度學習 卷積神經(jīng)網(wǎng)絡 pytorch paddlepaddle ?數(shù)據(jù)結(jié)構(gòu)?機器學習?目標檢測 圖像處理

有需要的兄弟們可以在我公眾號留言。

ppt（有備注，可直接講）可以在知識星球獲取：

我正在「目標檢測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