CRAUM-Net：用于显著性目标检测的带不确定性建模的上下文递归注意力网络
机器学习
2025-09-30 v5 机器学习
摘要
显著性目标检测（SOD）在许多计算机视觉应用中起着关键作用，需要准确局部化并精确勾勒显著区域的边界。在这项工作中，我们提出了一种新颖框架，集成了多尺度上下文聚合、先进注意力机制以及不确定性感知模块，以提升 SOD 性能。我们的自适应跨尺度上下文模块有效融合来自多个层级的特征，利用递归通道空间注意力与卷积块注意力来增强显著特征表示。我们进一步引入了一种边缘感知解码器，其包含专用的边缘提取器用于边界细化，并辅以蒙特卡洛丢弃（Monte Carlo Dropout）来估计预测中的不确定性。为鲁棒地训练我们的网络，我们采用了边界敏感与拓扑保持损失函数的组合，包括 Boundary IoU、Focal Tversky 和 Topological Saliency 损失。诸如不确定性校准误差与 Boundary F1 score 的评估指标，连同标准 SOD 指标，证明了我们的方法在生成准确且可靠的显著性图方面的优越能力。大量实验验证了我们的方法在捕捉细粒度细节同时量化预测置信度方面的有效性，推进了显著性目标检测的最先进水平（state-of-the-art）。
引用
@article{arxiv.2006.08453,
title = {CRAUM-Net: Contextual Recursive Attention with Uncertainty Modeling for Salient Object Detection},
author = {Abhinav Sagar},
journal= {arXiv preprint arXiv:2006.08453},
year = {2025}
}