PulseAugur
中
实时 19:17:55
English(EN) Weakly-Supervised RGB-D Salient Object Detection via SAM-driven Pseudo Annotation and State Space Interaction-based Diffusion

新方法使用SAM和扩散模型进行弱监督目标检测

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新的弱监督RGB-D显著性目标检测（SOD）方法，该方法利用Segment Anything Model（SAM）从稀疏的涂鸦生成伪标注。这种名为SAM-PAG的方法将这些涂鸦扩展为密集的像素级标注。然后，生成的标注与一个名为$S^2$Diff的扩散模型一起使用，该模型通过整合跨模态特征和减轻噪声干扰来优化嘈杂的显著性图。这种组合方法在多个数据集上取得了与全监督技术相比具有竞争力的性能。 AI

影响 这项研究推进了计算机视觉任务的弱监督学习技术，有可能减少目标检测中对大量手动标注的需求。

排序理由 该集群包含一篇详细介绍显著性目标检测新方法的 ist 研究论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新方法使用SAM和扩散模型进行弱监督目标检测

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Wenqi Si, Gongyang Li, Shixiang Shi, Weisi Lin ·

    通过SAM驱动的伪标注和基于状态空间交互的扩散实现弱监督RGB-D显著目标检测

    arXiv:2607.15041v1 Announce Type: new Abstract: Weakly-supervised RGB-D Salient Object Detection (SOD) is explored to reduce the heavy burden of pixel-level annotations. But scribble annotations lack the structure and details of objects, resulting in inaccurate saliency maps. In …

  2. arXiv cs.CV TIER_1 English(EN) · Weisi Lin ·

    基于SAM驱动的伪标注和基于状态空间交互的扩散的弱监督RGB-D显著目标检测

    Weakly-supervised RGB-D Salient Object Detection (SOD) is explored to reduce the heavy burden of pixel-level annotations. But scribble annotations lack the structure and details of objects, resulting in inaccurate saliency maps. In this paper, we propose a novel scribble-supervis…

相关实体

相关话题