Agile Amulet：基于上下文注意力的实时显著性目标检测
计算机视觉与模式识别
2018-02-21 v1
摘要
本文提出一种用于显著性目标检测的敏捷聚合多级特征框架（Agile Amulet）。Agile Amulet 基于先前工作，利用多级卷积特征预测显著性图。与先前工作相比，Agile Amulet 采用若干关键创新以提高训练和测试速度，同时提升预测精度。更具体地，我们首先引入一个上下文注意力模块，能够利用上下文金字塔快速突出最显著的物体或区域。因此，它有效引导低层卷积特征的学习，并告诉骨干网络该关注何处。该上下文注意力模块是一种全卷积机制，可同时学习互补特征并预测每个像素的显著性分数。此外，我们提出一种聚合多级深度卷积特征的新方法。因此，我们仅能使用预训练卷积网络的集成侧输出特征，这显著减少了模型参数量，使模型大小为 67 MB，约为 Amulet 的一半。与其他基于深度学习的显著性方法相比，Agile Amulet 轻量得多，运行更快（实时 30 fps），并在七个公开基准上在定量与定性评估方面均取得更高性能。
引用
@article{arxiv.1802.06960,
title = {Agile Amulet: Real-Time Salient Object Detection with Contextual Attention},
author = {Pingping Zhang and Luyao Wang and Dong Wang and Huchuan Lu and Chunhua Shen},
journal= {arXiv preprint arXiv:1802.06960},
year = {2018}
}
备注
10 pages, 4 figures and 3 tables