CPDR: 通过交叉后解码器细化实现高效显著目标检测
计算机视觉与模式识别
2025-01-14 v1
摘要
大多数当前显著目标检测方法使用更深网络和大骨干来产生更准确预测，导致计算复杂度显著增加。许多网络设计遵循纯UNet和特征金字塔网络(FPN)架构，其特征提取和聚合能力有限，这促使我们设计轻量级后解码器细化模块——交叉后解码器细化(CPDR)，以增强标准FPN或U-Net框架的特征表示。具体来说，我们引入注意力下采样融合(ADF)，利用高层表示生成的注意力图通过通道注意力机制细化低层特征；以及注意力上采样融合(AUF)，利用低层信息通过空间注意力引导高层特征。此外，我们在ADF和AUF基础上提出双注意力交叉融合(DACF)，在保持性能的同时减少参数数量。在五个基准数据集上的实验表明，我们的方法优于先前最先进的方法。
引用
@article{arxiv.2501.06441,
title = {CPDR: Towards Highly-Efficient Salient Object Detection via Crossed Post-decoder Refinement},
author = {Yijie Li and Hewei Wang and Aggelos Katsaggelos},
journal= {arXiv preprint arXiv:2501.06441},
year = {2025}
}
备注
14 pages