基于注意力图聚类的自适应图卷积网络用于协同显著性检测
计算机视觉与模式识别
2020-03-16 v1
摘要
协同显著性检测旨在从一组相关图像中发现共同且显著的的前景目标。针对该任务，我们提出一种新颖的带注意力图聚类的自适应图卷积网络（GCAGC）。我们做出了三点主要贡献，并经实验证明具有显著的实用价值。首先，我们提出一种图卷积网络设计以提取表征图像内与图像间对应关系的线索。其次，我们开发了一种注意力图聚类算法，以无监督方式从所有显著前景目标中区分出共同目标。第三，我们提出一个具有编码器—解码器结构的统一框架，以端到端方式联合训练和优化图卷积网络、注意力图聚类与协同显著性检测解码器。我们在三个协同显著性检测基准数据集（iCoseg、Cosal2015和COCO-SEG）上评估所提GCAGC方法。我们的GCAGC方法在多数数据集上相比当前最优（SOTA）方法取得显著提升。
引用
@article{arxiv.2003.06167,
title = {Adaptive Graph Convolutional Network with Attention Graph Clustering for Co-saliency Detection},
author = {Kaihua Zhang and Tengpeng Li and Shiwen Shen and Bo Liu and Jin Chen and Qingshan Liu},
journal= {arXiv preprint arXiv:2003.06167},
year = {2020}
}
备注
CVPR2020