.png){kind=icon}
返回
DADO: A Depth-Attention Framework for Object Discovery
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05060-1_24.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无监督目标发现，即在无人工标注标签的情况下识别和定位图像中的目标，仍然是计算机视觉领域的一项重大挑战和日益关注的焦点。本文提出了一种新型模型DADO（用于发现未见目标的深度-注意力自监督技术），该模型结合了注意力机制和深度模型以识别图像中的潜在目标。为解决噪声注意力图或具有不同深度平面的复杂场景等挑战，DADO采用动态加权，根据每幅图像的全局特征自适应地强调注意力或深度特征。我们在标准基准上评估了DADO，其在不需微调的情况下，在目标发现准确性和鲁棒性方面均优于当前最优方法。
Keyword:
object discovery
unseen object detection
depth-attention
期刊
C
IF:
0
论文数:
32
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Improving Semi-Supervised and Domain-Adaptive Semantic Segmentation with Self-Supervised Depth Estimation基于自监督深度估计的半监督和领域自适应语义分割算法改进
OAAI
OAAI分享收藏
查看更多内容