Salient Object Detection Based on Shadowed Sets and Illumination-Guided Network
Notice bibliographique
Résumé
Salient object detection (SOD) aims to distinguish salient regions from non-salient ones in an image. In real-world scenarios, factors such as depth variation and surface reflection can interfere with the model's judgment, while illumination uncertainty further intensifies this interference. As a result, the uncertainty in salient boundary detection increases, leading to false or missed detections. To core with uncertainty inherent to the problem, we introduce the concept of shadowed set, which is an effective method to process the uncertainty problem. In this paper, we have designed an illumination-aware feature integration network by conducting dual-input feature integration under the implicit assistance of illumination maps. Firstly, we devised a determination of pixel-level salient area module, which extract illumination maps based on Retinex theory and obtain the main area of salient object based on shadowed set as the implicit feature of illumination. Next, we constructed a dual-modal compression module to solve the problem of feature alignment, which can use the dual-stream structure to process RGB and auxiliary inputs. Finally, multi-stage contextual complementary module can effectively recover fine object edges, and we use the outputs from the last three stages to supervise the training of the entire model. The state originality came from our previous work on illumination maps and shadowed sets, and we creatively combined them with the SOD to process uncertainty of salient area. The experiments demonstrate that our method exhibits excellent performance on multiple RGB-based datasets, at the same time, it also demonstrates unique performance on underwater and challenging scenes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».