Neuüberlegung der Detektion von ko-salienten Objekten

In dieser Arbeit führen wir eine umfassende Studie zum Problem der gemeinsamen auffälligen Objekterkennung (CoSOD) für Bilder durch. CoSOD ist eine sich schnell entwickelnde Erweiterung der auffälligen Objekterkennung (SOD), die darauf abzielt, in einer Gruppe von Bildern gleichzeitig auftretende auffällige Objekte zu erkennen. Bestehende CoSOD-Datensätze weisen jedoch oft eine erhebliche Datenverzerrung auf, indem sie davon ausgehen, dass jede Gruppe von Bildern auffällige Objekte mit ähnlichen visuellen Erscheinungsformen enthält. Diese Verzerrung kann dazu führen, dass die Idealvoraussetzungen und Effektivität von Modellen, die auf bestehenden Datensätzen trainiert wurden, in realen Situationen beeinträchtigt werden, wo Ähnlichkeiten in der Regel semantisch oder konzeptuell sind. Um dieses Problem anzugehen, stellen wir zunächst einen neuen Benchmark vor, den sogenannten "CoSOD3k im Freien", der eine große Menge an semantischem Kontext erfordert und damit anspruchsvoller als bestehende CoSOD-Datensätze ist. Unser CoSOD3k besteht aus 3.316 hochwertigen, sorgfältig ausgewählten Bildern, die in 160 Gruppen mit hierarchischen Anmerkungen unterteilt sind. Die Bilder umfassen eine breite Palette von Kategorien, Formen, Objektgrößen und Hintergründen. Zweitens integrieren wir bestehende SOD-Techniken in ein einheitliches, trainierbares CoSOD-Framework, das in diesem Bereich lange überfällig war. Insbesondere schlagen wir ein neues CoEG-Net vor, das unser vorheriges Modell EGNet durch eine gemeinsame Aufmerksamkeitsprojektionsstrategie erweitert, um schnelles Lernen gemeinsamer Informationen zu ermöglichen. Das CoEG-Net nutzt vollständig frühere großmaßstäbliche SOD-Datensätze und verbessert das Modell skalierbar und stabil erheblich. Drittens fassen wir 40 state-of-the-art-Algorithmen zusammen und evaluieren 18 davon anhand dreier anspruchsvoller CoSOD-Datensätze (iCoSeg, CoSal2015 und unseres CoSOD3k), wobei wir eine detailliertere (d.h. gruppenweise) Leistungsanalyse berichten. Schließlich diskutieren wir die Herausforderungen und zukünftige Arbeiten im Bereich der CoSOD. Wir hoffen, dass unsere Studie dem Wachstum der CoSOD-Gemeinschaft einen starken Impuls verleiht. Das Benchmark-Toolbox und die Ergebnisse sind auf unserer Projektseite unter http://dpfan.net/CoSOD3K/ verfügbar.请注意，虽然您的要求中提到了“法语”，但您提供的示例文本是德语。因此，我假设您需要的是德语翻译。如果需要法语或其他语言的翻译，请告知我。