轻量化多尺度特征提取：Fully Connected LMF Layer for显著物体检测
计算机视觉与模式识别
2025-08-12 v1 人工智能
摘要
在计算机视觉领域，多尺度特征提取对诸如显著物体检测等任务至关重要。然而，在轻量化网络中实现这一能力仍具有挑战性 due to efficiency 与 performance 之间的权衡。本文提出一种新型轻量化多尺度特征提取层，称为 LMF layer，采用深度可分离稀释卷积于 fully connected 结构中。通过整合多个 LMF layer，我们开发了 LMFNet，一个专为显著物体检测设计的轻量化网络。我们的 approach 显著减少参数数量，同时保持竞争性能。本文表明，LMFNet 在五个基准数据集上实现最先进或相当于的结果，仅需 0.81M 参数， 在效率和准确性方面超越了几种传统和轻量化模型。我们的工作不仅解决了轻量化网络中多尺度学习的挑战，也展示了更广泛应用于图像处理任务的潜力。相关代码文件已提供：https://github.com/Shi-Yun-peng/LMFNet
引用
@article{arxiv.2508.07170,
title = {Lightweight Multi-Scale Feature Extraction with Fully Connected LMF Layer for Salient Object Detection},
author = {Yunpeng Shi and Lei Chen and Xiaolu Shen and Yanju Guo},
journal= {arXiv preprint arXiv:2508.07170},
year = {2025}
}