用于显著性检测的金字塔特征注意力网络
计算机视觉与模式识别
2019-04-05 v2
摘要
显著性检测是计算机视觉中的基本挑战之一。如何提取有效特征是显著性检测的关键点。近期方法主要不加区分地集成多尺度卷积特征。然而，并非所有特征都对显著性检测有用，有些甚至造成干扰。为解决此问题，我们提出金字塔特征注意力网络，以聚焦于有效的高层上下文特征和低层空间结构特征。首先，我们设计上下文感知金字塔特征提取（CPFE）模块用于多尺度高层特征图以捕获丰富的上下文特征。其次，我们在 CPFE 特征图后采用通道注意力（CA），在低层特征图后采用空间注意力（SA），然后将 CA 与 SA 的输出融合在一起。最后，我们提出一种边缘保持损失以引导网络在边界定位中学习更详细的信息。在五个基准数据集上的大量评估表明，所提方法在不同评价指标下优于最先进的（SOTA）方法。
引用
@article{arxiv.1903.00179,
title = {Pyramid Feature Attention Network for Saliency detection},
author = {Ting Zhao and Xiangqian Wu},
journal= {arXiv preprint arXiv:1903.00179},
year = {2019}
}
备注
Accepted by CVPR2019