基于知识迁移的驾驶感知显著目标检测探索
计算机视觉与模式识别
2021-05-19 v1
摘要
近年来，随着深度神经网络的快速发展，通用显著目标检测（SOD）取得了巨大进展。然而，由于缺乏特定任务的数据集，任务感知的SOD很少被研究。本文构建了一个驾驶任务导向的数据集，其中显著目标的像素级掩码已被标注。与通用SOD数据集相比，我们发现跨域知识差异与任务特定场景鸿沟是驾驶时聚焦显著目标的两个主要挑战。受这些发现的启发，我们提出了一种通过知识迁移卷积神经网络的驾驶任务感知SOD基线模型。在该网络中，我们构建了基于注意力的知识迁移模块以弥补知识差异。此外，引入了一种高效的边界感知特征解码模块，用于在复杂任务特定场景中对目标进行精细特征解码。整个网络以渐进方式集成了知识迁移与特征解码模块。实验表明，所提出的数据集极具挑战性，且所提方法在该数据集上优于12种最先进（SOTA）方法，促进了任务感知SOD的发展。
引用
@article{arxiv.2105.08286,
title = {Exploring Driving-aware Salient Object Detection via Knowledge Transfer},
author = {Jinming Su and Changqun Xia and Jia Li},
journal= {arXiv preprint arXiv:2105.08286},
year = {2021}
}
备注
Accepted by ICME 2021 (oral)