arXiv:1710.04071

Automatic Salient Object Detection for Panoramic Images Using Region Growing and Fixation Prediction Model

Chunbiao Zhu, Kan Huang, Ge Li

제출 2017-10-10

원문 초록

Almost all previous works on saliency detection have been dedicated to conventional images, however, with the outbreak of panoramic images due to the rapid development of VR or AR technology, it is becoming more challenging, meanwhile valuable for extracting salient contents in panoramic images. In this paper, we propose a novel bottom-up salient object detection framework for panoramic images. First, we employ a spatial density estimation method to roughly extract object proposal regions, with the help of region growing algorithm. Meanwhile, an eye fixation model is utilized to predict visually attractive parts in the image from the perspective of the human visual search mechanism. Then, the previous results are combined by the maxima normalization to get the coarse saliency map. Finally, a refinement step based on geodesic distance is utilized for post-processing to derive the final saliency map. To fairly evaluate the performance of the proposed approach, we propose a high-quality dataset of panoramic images (SalPan). Extensive evaluations demonstrate the effectiveness of our proposed method on panoramic images and the superiority of the proposed method against other methods.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.27413v1cs.CV공통 태그 Object Detection, Salient Object Detection

S2A: 사전 정합 불필요 RGB-T 현저 객체 검출을 위한 의미-공간 정렬

S2A:Semantic-to-Spatial Alignment for Alignment-Free RGB-T Salient Object Detection

사전 정합 불필요 RGB-T 현저 객체 검출(RGB-T SOD)은 비용이 큰 사전 정합 없이 정합되지 않은 RGB 및 열화상 영상 쌍에서 현저 객체를 식별하는 것을 목표로 한다. 그러나 공간적 비정합은 픽셀 단위 대응을 깨뜨리고 교차 모달 융합 과정에서 특징 오염을 유발한다. 이 문제를 해결하기 위해, 우리는 사전 정합 불필요 RGB-T SOD를 위한 의미-공간 정렬 프레임워크인 S2A를 제안한다. 구체적으로, 전역 유도 계층적 융합 모듈(GGHF)이 먼저 전역 의미(semantic) 유도를 활용하여 배경 간섭을 억제하고 계층적 모달 내 특징을 정제한다. 이어서, 정합 불필요 교차 모달 채널 어텐션 모듈(AFCA)이 채널 단위 상호작용을 통해 상호 보완적 의미 정보를 전역적으로 교환하여, 국소 공간 비정합으로 인한 간섭을 효과적으로 극복한다. 마지막으로, 공간 변형 가능 교차 어텐션 모듈(SDCA)이 적응형 샘플링 오프셋을 예측하여 국소 교차 모달 공간 대응을 복원한다. 이러한 의미-공간 패러다임을 통해 S2A는 먼저 신뢰할 수 있는 교차 모달 의미 상호작용을 가능하게 한 뒤 국소 공간 보정을 수행하여, 비정합으로 인한 특징 오염을 효과적으로 줄인다. 불필요한 부가 기법 없이 S2A는 여러 공개 사전 정합 불필요 RGB-T 벤치마크에서 매우 경쟁력 있는 성능을 달성하며, 비정합 유발 특징 오염 완화에서의 효과를 보여준다.

arXiv:2607.21032v1cs.CV공통 태그 Object Detection, Salient Object Detection

초분광 현저 객체 검출을 위한 스펙트럴-공간 시너지 유도 네트워크

Spectral-Spatial Synergistic Guided Network for Hyperspectral Salient Object Detection

초분광 현저 객체 검출은 초분광 영상에서 시각적으로 현저한 영역을 식별하는 것을 목표로 한다. 기존 방법은 종종 데이터를 근본적으로 오해하여, 조명과 같은 외부 요인에 의한 부수적인 스펙트럴 변화를 객체의 고유 재료 특성에 의한 본질적인 스펙트럴 차이와 혼동하기 때문에 실패하는 경우가 많다. 이는 취약한 표현과 노이즈가 많은 예측으로 이어진다. 이를 위해 우리는 구조 인식을 핵심으로 하여 스펙트럼 견고 모델링, 교차 스트림 공동 인식, 다중 스케일 정제 디코딩을 중심으로 한 닫힌 루프 정보 흐름을 구축하는 경량且 효율적인 스펙트럴-공간 시너지 유도 네트워크(S3GNet)를 제안한다. S3GNet은 스펙트럴 미분과 영역 계층적 모델링을 활용하여 조명 변화에 대한 견고성의 고유 특징을 추출하는 매개변수 없는 스펙트럴 구조 인식 모듈(Spectral Structure-Aware Module)을 도입한다. 우리의 스트림 인식 어텐션 모듈(Stream-Aware Attention Module)은 스트림 간 전역 상호작용과 스트림 내 공간 유도를 통해 효과적인 스펙트럴-공간 협력을 달성한다. 또한 점진적 게이트 정제 디코더(Progressive Gated Refinement Decoder)는 다중 스케일 특징을 최적으로 통합하여 정밀한 객체 경계와 디테일 복원을 보장한다. 실험 결과, S3GNet은 기존 방법과 비교하여 계산 효율성과 검출 정확도 모두에서 우수한 성능을 달성함을 보여준다.

arXiv:2607.14445v2cs.CV공통 태그 Object Detection

Cotton-SF YOLO: 복잡한 밭 환경에서 초기 면화 봉오리 검출을 위한 구조 및 주파수 단서 학습

Cotton-SF YOLO: Learning Structural and Frequency Cues for Early Cotton Square Detection in Complex Field Environments

면화 봉오리는 면화의 초기 생식 성장을 나타내는 중요한 표현형 지표이며, 면화 봉오리의 자동 현장 검출은 면화 생육 모니터링 및 정밀 재배 관리에 중요한 근거를 제공한다. 그러나 복잡한 밭 환경에서의 초기 면화 봉오리 검출은 여전히 충분히 탐구되지 않았는데, 면화 봉오리는 크기가 작고, 자주 가려지며, 쉽게 흐려지고, 조명 변화의 영향을 받으며, 주변 면화 잎과의 대비가 낮기 때문이다. 이러한 과제를 해결하기 위해, 우리는 자연 현장 조건에서의 면화 봉오리 검출을 위해 YOLO26m 기반의 과제 지향형 프레임워크인 Cotton-SF YOLO를 제안한다. 작고 불규칙한 면화 봉오리 경계의 인식을 개선하기 위해, 검출기에 Dynamic Snake Convolution을 도입하여 변형 가능한 가장자리 특징의 적응적 추출을 가능하게 한다. 또한, C2f 구조에 스펙트럼 강화를 통합하여 주파수 영역 특징 변조 모듈을 설계하는데, 이는 주파수 영역 표현을 재조정하고 판별적인 가장자리 및 텍스처 단서를 강화하는 동시에 복잡한 면화 잎 배경으로부터의 간섭을 줄인다. 수동으로 주석이 달린 면화 봉오리를 포함하여 새롭게 구축하고 주석을 부여한 현장 데이터셋에서 학습 및 평가한 결과, 제안 모델은 mAP$_{50}$, mAP$_{50:95}$, 재현율 값으로 각각 0.8196, 0.4942, 0.7939를 달성하여 기준선 YOLO26m 대비 각각 1.25%, 3.45%, 2.96% 향상되었다. 소거(ablation) 실험 및 시각화는 구조 및 주파수 단서의 상보적 효과로 최상의 성능이 달성됨을 보여준다.

arXiv:2609.07780v3cs.CV공통 태그 Object Detection

DroneGround: 합성 데이터와 그라운디드 비전-언어 모델을 활용한 오픈 보캐블러리 드론 탑재체 특성 분석

DroneGround: Open-Vocabulary Drone Payload Characterization Using Synthetic Data and Grounded Vision-Language Models

자동화된 드론 감시는 공공 안전, 중요 인프라 보호 및 제한 공역 모니터링을 위해 점점 더 중요해지고 있습니다. 기존의 비전 기반 시스템은 드론 탐지 및 추적에서 뛰어난 성능을 달성하지만, 원거리 촬영 조건에서는 주석이 달린 실제 데이터셋의 부족과 배포 시 직면하는 상당한 분포 변화(distribution shift)로 인해 신뢰할 수 있는 탑재체(payload) 특성 분석이 여전히 매우 어려운 과제로 남아 있습니다. 기존 접근법들은 탑재체 특성 분석을 닫힌 집합(closed-set) 객체 검출 문제로 정식화하여, 이전에 보지 못한 탑재체를 인식하고 학습 분포를 넘어 일반화하는 능력을 제한합니다. 이러한 문제를 해결하기 위해, 본 논문에서는 Unreal Engine 5와 Cosys-AirSim을 사용하여 사실적인(photorealistic) 합성 드론-탑재체 데이터셋을 생성하고, 강력한 오픈 보캐블러리(open-vocabulary) 탑재체 분석을 위한 2단계 프레임워크인 DroneGround(Grounded Vision-Language Payload Characterization)를 제안합니다. DroneGround는 먼저 YOLO26s 검출기를 사용하여 드론의 위치를 특정하고 드론 중심의 이미지 크롭을 추출한 다음, LoRA 파인튜닝된 PaliGemma 비전-언어 모델을 활용해 탐지된 드론 및 부착된 탑재체에 대한 시맨틱 설명을 생성함으로써 사전에 정의된 범주를 넘어서는 오픈 보캐블러리 탑재체 특성 분석을 가능하게 합니다. 또한 폐색 기반 그라운딩(grounding) 모듈은 생성된 설명에 기여하는 이미지 영역을 식별하여 해석 가능한 탑재체 위치 추정 기능을 제공합니다. 합성 및 실제 드론 영상 모두에 대한 광범위한 실험을 통해 DroneGround가 합성-실제(synthetic-to-real) 분포 변화 하에서 견고성을 크게 향상시켜 F1-점수를 82.5%에서 96.3%로 높여 기존의 닫힌 집합 탑재체 검출기를 능가하는 동시에, 이전에 보지 못한 탑재체 범주에 대해서도 훨씬 더 우수한 일반화 성능(F1 80.4% 대 42.7%)을 달성함을 입증합니다. 데이터셋과 코드는 요청 시 공개될 예정입니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.