CLASS：用于显著目标检测的交叉层级注意力与监督
计算机视觉与模式识别
2020-09-25 v2
摘要
显著目标检测（SOD）是一项基础的计算机视觉任务。近来，随着深度神经网络的复兴，SOD 取得了巨大进展。然而，现有方法仍难以很好地解决两个棘手问题：难以区分的区域与复杂结构。为解决这两个问题，本文提出一种用于精确 SOD 的新型深度网络，称为 CLASS。首先，为利用低层与高层特征的不同优势，我们提出一种新颖的非局部交叉层级注意力（CLA），其可捕获长程特征依赖以增强完整显著目标的区分性。其次，设计了一种新颖的交叉层级监督（CLS），通过像素级、区域级和对象级学习复杂结构的互补上下文。从而显著目标的精细结构与边界可得以良好恢复。实验中，借助所提出的 CLA 与 CLS，我们的 CLASS 网络在五个数据集上持续优于 13 种最先进方法。
引用
@article{arxiv.2009.10916,
title = {CLASS: Cross-Level Attention and Supervision for Salient Objects Detection},
author = {Lv Tang and Bo Li},
journal= {arXiv preprint arXiv:2009.10916},
year = {2020}
}
备注
Full version of ACCV2020