.png){kind=icon}
返回
Explicit Visual Prompting for Universal Foreground Segmentations
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2025.3619490.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
前景分割是计算机视觉中的一个基础问题，包括显著目标检测、伪造检测、失焦模糊检测、阴影检测和伪装目标检测。先前的研究通常依赖特定领域的解决方案来解决这些应用中的准确性和鲁棒性问题。在本文中，我们提出了一种统一的框架，用于多种前景分割任务，而无需任何任务特定的设计。我们从自然语言处理（NLP）中广泛使用的预训练和提示调优协议中汲取灵感，并提出了一种新的视觉提示模型，命名为Explicit Visual Prompting（EVP）。与以往的视觉提示（通常是一种数据集级别的隐式嵌入）不同，我们的关键见解是强制可调参数关注每个独立图像中的显式视觉内容，即冻结的图像块嵌入和高频成分的特征。我们的方法冻结一个预训练模型，然后使用少量额外参数学习任务特定的知识。尽管只引入了少量可调参数，EVP的性能优于全微调和其它参数高效的微调方法。在五个任务中的十四个数据集上的实验表明，所提出的方法在性能上优于其他任务特定方法，同时具有相当大的简洁性。所提出的方法展示了其在不同架构、预训练权重和任务中的可扩展性。
Keyword:
Foreground segmentation
universal model
visual prompting
efficient tuning
期刊
IF:
18.6
论文数:
1.1K
被引数:
9.8W
机构
引用论文
.png){kind=icon}
Bidirectional Feature Pyramid Network with Recurrent Attention Residual Modules for Shadow Detection
PREAI
分享收藏分享收藏
查看更多内容