基于协同注意力全卷积网络的协同显著性检测
计算机视觉与模式识别
2020-08-21 v1
摘要
协同显著性检测旨在从一组相关图像中检测出共同的显著目标。已有一些基于全卷积网络（FCN）框架的尝试，并取得了令人满意的检测结果。然而，由于卷积层堆叠与池化操作，边界细节往往容易丢失。此外，现有模型常不加区分地利用所提取的特征，导致表示冗余，因为实际上并非所有特征都有助于最终预测，有些甚至会带来干扰。本文提出一种嵌入协同注意力模块的全卷积网络框架，称为协同注意力全卷积网络（CA-FCN）。具体而言，协同注意力模块被插入到FCN的高层卷积层中，能够对共同显著目标赋予较大的注意力权重，而对背景和非共同干扰物赋予较小的权重，从而提升最终检测性能。在三个流行的协同显著性基准数据集上的大量实验证明了所提CA-FCN的优越性，其在大多数情况下优于当前最优方法（SOTA）。此外，通过消融实验也验证了新协同注意力模块的有效性。
引用
@article{arxiv.2008.08909,
title = {Co-Saliency Detection with Co-Attention Fully Convolutional Network},
author = {Guangshuai Gao and Wenting Zhao and Qingjie Liu and Yunhong Wang},
journal= {arXiv preprint arXiv:2008.08909},
year = {2020}
}