基于深度可分离非局部模块的单线程快速显著性目标检测
计算机视觉与模式识别
2020-01-23 v1
摘要
近来深度卷积神经网络在显著性目标检测中取得了显著成功。然而,现有最先进方法需要高端 GPU 才能实现实时性能,这使得它们难以适配低成本或便携设备。尽管已提出通用网络架构来加速移动设备上的推理,但它们专为图像分类或语义分割任务设计,难以捕捉对显著性目标检测中对比建模至关重要的通道内与通道间相关性。受上述观察启发,我们设计了一种用于快速显著性目标检测的新深度学习算法。所提算法首次以单 CPU 线程同时实现了有竞争力的精度和高推理效率。具体而言,我们提出一种新颖的深度可分离非局部模块(depthwise non-local module, DNL),其通过以自注意力方式获取通道内和通道间相关性来隐式建模对比。此外,我们引入了融合深度可分离非局部模块与倒残差块的深度可分离非局部网络架构。实验结果表明,我们提出的网络在广泛的显著性目标检测数据集上取得了极具竞争力的精度,同时在所有现有基于深度学习的算法中实现了最先进的效率。
引用
@article{arxiv.2001.08057,
title = {Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread},
author = {Haofeng Li and Guanbin Li and Binbin Yang and Guanqi Chen and Liang Lin and Yizhou Yu},
journal= {arXiv preprint arXiv:2001.08057},
year = {2020}
}
备注
Accepted as a regular paper in the IEEE Transactions on Cybernetics