本文主要是介绍Trans高质量Paper | 再小再隐蔽的目标检测都不是问题(附源码下载),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
计算机视觉研究院专栏
作者:Edison_G
隐藏的目标与背景之间的高内在相似性使得COD(concealed object detection)比传统的目标检测/分割更具挑战性。
长按扫描二维码关注我们
一、简要
有研究者提出第一个关于隐藏物体检测的系统研究,旨在识别那些“完美嵌入”在其背景中的物体。隐藏的目标与背景之间的高内在相似性使得COD比传统的对象检测/分割更具挑战性。
为了更好地理解这项任务,收集了一个叫做COD10K的大型数据集(如上图),它由10,000张图像组成,覆盖了78个目标类别中不同真实场景中隐藏的目标。此外,研究者还提供了丰富的注释,包括目标类别、目标边界、具有挑战性的属性、目标级标签和实例级注释。
COD10K是迄今为止最大的COD数据集,具有最丰富的注释,它支持全面的隐藏目标理解,甚至可以用来帮助推进其他一些视觉任务,如检测、分割、分类等。受动物在野外狩猎的启发,研究者还为COD设计了一个简单而强大的基线,称为搜索识别网络(Search Identification Network,SINet)。在没有任何bells和whistles情况下,SINet在所有被测试的数据集上的性能都超过了12个前沿基线,使它们成为鲁棒的通用架构,可以作为COD未来研究的催化剂。
二、背景
您是否可以在上图中10秒内找到隐藏的目标吗?生物学家称其称为背景匹配伪装(BMC),其中一个或多个物体试图调整其颜色以与周围环境“无缝”匹配,以避免检测到。生态学家发现,这种BMC策略可以欺骗观察者的视觉感知系统。自然地,隐藏目标检测(COD)需要大量的视觉感知知识。理解COD本身不仅具有科学价值,而且在许多基本领域的应用也很重要,如计算机视觉(例如,搜救工作或稀有物种发现)、医学(例如,息肉分割、肺感染分割)、农业(例如,防止入侵的蝗虫检测)和艺术(例如,recreational art)。
在下图中提供了通用、突出和隐藏目标检测的例子。
目标和非目标之间的高内在相似性使得COD比传统的目标分割/检测更具挑战性。尽管最近受到了越来越多的关注,但关于COD的研究仍然很少,主要是由于缺乏足够大的数据集和标准基准,如Pascal-VOC, ImageNet, MS-COCO, ADE20K和DAVIS。
三、COD10K DATASET
Object and instance distributions of each concealed category in the COD10K
Diverse types of concealed objects in our COD10K
四、COD FRAMEWORK
Component details
Group-Reversal Attention (GRA)。最后在反向指导和小组指导操作的帮助下,引入了剩余的学习过程,称为GRA块。根据以往的研究,多阶段的细化可以提高性能。
五、实验
计算机视觉研究院学习群等你加入!
计算机视觉研究院主要涉及深度学习领域,主要致力于人脸检测、人脸识别,多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架,我们这次改革不同点就是,我们要着重”研究“。之后我们会针对相应领域分享实践过程,让大家真正体会摆脱理论的真实场景,培养爱动手编程爱动脑思考的习惯!
扫码关注
计算机视觉研究院
公众号ID|ComputerVisionGzq
学习群|扫码在主页获取加入方式
Githu代码 | 回复“COD”获取代码
这篇关于Trans高质量Paper | 再小再隐蔽的目标检测都不是问题(附源码下载)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!