面向显著目标检测的全局上下文感知渐进聚合网络
计算机视觉与模式识别
2020-03-03 v1
摘要
深度卷积神经网络在显著目标检测中已取得有竞争力的性能，其中如何学习有效且全面的特征起着关键作用。以往多数工作主要采用多级特征融合却忽略了不同特征间的鸿沟。此外，高层特征在自顶向下传递过程中还存在稀释现象。为补救这些问题，我们提出一种名为GCPANet的新网络，通过若干渐进上下文感知的特征交织聚合(FIA)模块有效整合低层外观特征、高层语义特征和全局上下文特征，并以监督方式生成显著图。此外，采用头部注意力(HA)模块通过利用空间与通道注意力减少信息冗余并增强顶层特征，自精炼(SR)模块用于进一步精炼并提升输入特征。进而，我们设计全局上下文流(GCF)模块在不同阶段生成全局上下文信息，旨在学习不同显著区域间的关系并缓解高层特征的稀释效应。在六个基准数据集上的实验结果表明，所提方法在定量与定性上均优于当前最优(state-of-the-art)方法。
引用
@article{arxiv.2003.00651,
title = {Global Context-Aware Progressive Aggregation Network for Salient Object Detection},
author = {Zuyao Chen and Qianqian Xu and Runmin Cong and Qingming Huang},
journal= {arXiv preprint arXiv:2003.00651},
year = {2020}
}