基于 FLIM 的显著物体检测网络与自适应解码器

显著物体检测（SOD）方法可以定位图像中突出的物体，在显著性图中为其像素分配更高的值，并对图进行二值化输出预测的分割掩码。近期趋势是针对计算资源有限的 SOD 任务，研究预训练的轻量级模型而非深度神经网络。在此背景下，我们采用一种名为从图像标记点学习特征（FLIM）的 метод，探索轻量级网络，假设编码器的卷积核可以从代表性图像中标记区域的像素中估计。本工作提出了飞重量网络，这些网络比轻量级模型轻数百倍，用于 SOD，通过将 FLIM 编码器与自适应解码器组合，后者的权重通过给定的启发式函数为每个输入图像估计。这种 FLIM 网络仅需从三个到四个代表性图像进行训练，且无需反向传播，使模型在标注数据受限的应用中具有优势。我们研究了五种自适应解码器，其中两种是本文引入的。不同于依赖单一神经元且共享权重的先前方法，新型自适应解码器的启发式函数为每个像素的每个神经元估计权重。我们将 FLIM 模型与自适应解码器用于两个具有挑战性的 SOD 任务，与来自最新技术的三个轻量级网络、两个通过反向传播训练的 FLIM 网络以及一个标注标记定义解码器权重的 FLIM 网络进行比较。实验结果表明，所提出的网络在基线方法上具有优势，进一步表明在新应用中探索此类方法的重要性。