文章总览 - 105
IMDL-BenCo:A Comprehensive Benchmark and Codebase for Image Manipulation Detection & Localization
IMDL-BenCo:A Comprehensive Benchmark and Codebase for Image Manipulation Detection & Localization

发表于NeurIPS 2024,因为图像篡改检测没有统一的标准,所以构建一个全面的基准,并且设计了一个框架将部分sota网络集成:Mantra-Net,MVSS-net,CAT-Net,ObjectFormer,PSCC-Net,NCL-IML,Trufor和IML-ViT。

1
边界引导
边界引导

2
DBSCAN
DBSCAN

3
Image as Set of Points
Image as Set of Points

发表于ICLR2023,将图像视为一组无组织的点,并通过简化的聚类算法提取特征。具体地说,每个点都包括原始特征(如颜色)和位置信息(如坐标),并采用简化的聚类算法对深度特征进行分层分组和提取。

4
可微深度聚类
可微深度聚类

5
SparseViT
SparseViT

6
公式识别方法
公式识别方法

7
Contextrast:Contextual Contrastive Learning for Semantic Segmentation
Contextrast:Contextual Contrastive Learning for Semantic Segmentation

发表于CVPR2024,该论文面向语义分割任务中不准确的分割边界,提出了Contextrast,即设计了一个基于INfoNCE损失的新损失函数,以保证在不同尺度下的特征(不同类别的平均特征)的空间关系保持一致,还提出了基于边界引导的负样本挖掘方法,旨在提高负样本的质量。(代码未公布)

8
Deep Clustering for Unsupervised Learning of Visual Features
Deep Clustering for Unsupervised Learning of Visual Features

发表于CVPR2020,其提出了在线深度聚类的方法,即设计并维护了两个动态内存模块,即用于存储样本标签和特征的样本内存,以及用于质心进化的质心内存,将突然的全局聚类分解为稳定的内存更新和批量标签重新分配。

9
DivClust:Controlling Diversity in Deep Clustering
DivClust:Controlling Diversity in Deep Clustering

发表于CVPR2023,共识聚类是一种无监督的集成聚类方法,旨在通过多次重采样和聚类分析来评估聚类结果的稳定性,从而确定数据集中最优的聚类数目(k值)及其成员结构。该论文提出了DivClust,一种多样性控制损失,可以纳入现有的深度聚类框架,以产生具有所需多样性程度的多个聚类。

10