基于差分卷积神经网络的快速显著物体检测
计算机视觉与模式识别
2025-07-03 v1
摘要
本文解决了在资源受限设备上实现显著物体检测（SOD）且具实时性能的挑战。尽管深度神经网络的最新进展提高了 SOD，但现有领先模型计算开销大。我们提出一种高效网络设计，将传统方法与现代 CNN 的表示能力相结合。类似于生物学启发的经典 SOD 方法依赖计算对比度线索来确定图像区域的显著性，我们的模型利用像素差分卷积（PDCs）对特征对比度进行编码。不同的是，PDCs 被集成到 CNN 架构中，以从丰富的特征图中提取有价值的对比度线索。为提高效率，我们引入一种差分卷积重参数化（DCR）策略，将 PDCs 嵌入标准卷积中，在推理时消除计算和参数。此外，我们引入时空差分卷积（STDC）用于视频 SOD，增强标准 3D 卷积以捕获时空对比度。我们的模型，SDNet 用于图像 SOD，STDNet 用于视频 SOD，在效率-精度之间实现了显著的改进。在 Jetson Orin 设备上，我们的模型参数少于 100 万，分别在流式图像和视频上以 46 FPS 和 150 FPS 运行，速度在我们实验中的第二名轻量级模型以上快超过 和 ，且精度更优。代码将在 https://github.com/hellozhuo/stdnet.git 上提供。
引用
@article{arxiv.2507.01182,
title = {Rapid Salient Object Detection with Difference Convolutional Neural Networks},
author = {Zhuo Su and Li Liu and Matthias Müller and Jiehua Zhang and Diana Wofk and Ming-Ming Cheng and Matti Pietikäinen},
journal= {arXiv preprint arXiv:2507.01182},
year = {2025}
}
备注
16 pages, accepted in TPAMI