亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Collaborative compensative transformer network for salient object detection

变压器 突出 计算机科学 人工智能 计算机视觉 模式识别(心理学) 工程类 电气工程 电压
作者
Jun Chen,Heye Zhang,Mingming Gong,Zhifan Gao
出处
期刊:Pattern Recognition [Elsevier]
卷期号:154: 110600-110600 被引量:1
标识
DOI:10.1016/j.patcog.2024.110600
摘要

Salient object detection (SOD) is of high significance for various computer vision applications but is a challenging task due to the complicated scenes in real-world images. Most state-of-the-art SOD methods aim to build long-range dependency for improving global contrast modeling in complicated scenes. However, most of them suffer from the prior assumption of treating image patches as visual tokens for building long-range dependency. This is because this assumption leads to localizing salient regions with uncertain boundaries due to the lost object structure information. In this paper, to address this issue, we re-construct the prior assumption of treating both patches and superpixels as visual tokens for building long-range dependency, which takes into account the properties of superpixels and patches in preserving detailed structural-aware information and local context information, respectively. Based on the re-constructed prior assumption, we propose a Collaborative Compensative Transformer Network (CCTNet) for the SOD task. CCTNet firstly alternates the computation within the same kind of vision tokens and among different vision tokens to build their dependencies. By this means, the relationship between multi-level global context and detailed structure representation can be explicitly modeled for consistent semantic and object structure understanding. Then, CCTNet performs feature joint decoding for SOD by fusing the complementary global context and detailed structure for locating objects with certain boundaries. Extensive experiments were conducted to validate the effectiveness of the proposed modules. Furthermore, the experiments on ten benchmark datasets demonstrated the state-of-the-art performance of CCTNet on both RGB and RGB-D SOD.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
11秒前
Echan发布了新的文献求助10
16秒前
doreen完成签到 ,获得积分10
20秒前
中央发布了新的文献求助10
31秒前
zxq1996完成签到 ,获得积分10
36秒前
58秒前
Nemo发布了新的文献求助30
1分钟前
1分钟前
Malmever发布了新的文献求助10
1分钟前
科目三应助黙宇循光采纳,获得10
1分钟前
1分钟前
黙宇循光发布了新的文献求助10
2分钟前
Jj7完成签到,获得积分10
2分钟前
lena完成签到,获得积分10
2分钟前
田様应助黙宇循光采纳,获得10
3分钟前
3分钟前
爆米花应助科研通管家采纳,获得10
3分钟前
黙宇循光发布了新的文献求助10
3分钟前
3分钟前
希勤发布了新的文献求助10
4分钟前
林才发布了新的文献求助10
4分钟前
4分钟前
chenxiang完成签到,获得积分10
4分钟前
上官若男应助希勤采纳,获得10
4分钟前
JamesPei应助黙宇循光采纳,获得10
4分钟前
4分钟前
安青兰完成签到 ,获得积分10
4分钟前
黙宇循光发布了新的文献求助10
4分钟前
Simon应助勤恳的汉堡采纳,获得20
5分钟前
研友_VZG7GZ应助科研通管家采纳,获得20
7分钟前
9分钟前
留下记忆完成签到 ,获得积分10
9分钟前
斯文的难破完成签到 ,获得积分10
9分钟前
FAN完成签到,获得积分10
12分钟前
牧沛凝完成签到 ,获得积分10
12分钟前
FAN发布了新的文献求助20
13分钟前
sa完成签到 ,获得积分10
13分钟前
红茸茸羊完成签到 ,获得积分10
15分钟前
隐形的涫完成签到,获得积分10
15分钟前
cy0824完成签到,获得积分10
16分钟前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
XAFS for Everyone (2nd Edition) 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3133970
求助须知:如何正确求助?哪些是违规求助? 2784836
关于积分的说明 7768714
捐赠科研通 2440219
什么是DOI,文献DOI怎么找? 1297295
科研通“疑难数据库(出版商)”最低求助积分说明 624920
版权声明 600792