DR-TANet：面向街景变化检测的动态感受野时间注意力网络
计算机视觉与模式识别
2021-05-31 v2 机器学习
机器人学
图像与视频处理
摘要
街景变化检测持续吸引计算机视觉界研究者的兴趣，其旨在识别不同时间所拍摄街景图像对中的变化区域。基于编码器-解码器架构的现有最优网络利用两路通道间对应层级的特征图以获取充分的变更信息，但特征提取、特征关联计算乃至整个网络的效率仍有待提升。本文提出时间注意力并探究时间注意力的依赖范围大小对变化检测性能的影响。此外，基于时间注意力模块（TAM），我们引入更高效轻量的版本——动态感受野时间注意力模块（DRTAM），并提出并行水平与垂直注意力（CHVA）以提升网络在特定困难实体上的精度。在街景数据集 `GSV'、`TSUNAMI' 和 `VL-CMU-CD' 上，我们的方法无需额外技巧即取得优异性能，刷新了最优成绩，同时保持适用于自动驾驶车辆的高效率。
引用
@article{arxiv.2103.00879,
title = {DR-TANet: Dynamic Receptive Temporal Attention Network for Street Scene Change Detection},
author = {Shuo Chen and Kailun Yang and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2103.00879},
year = {2021}
}
备注
8 pages, 9 figures, 6 tables. Accepted to IEEE Intelligent Vehicles Symposium 2021 (IV2021). Code is available at https://github.com/Herrccc/DR-TANet