结合自注意力模块与特征金字塔网络的显著目标检测
计算机视觉与模式识别
2020-05-01 v1
摘要
显著目标检测在使用全卷积网络（FCN）后取得了巨大进展。然而，基于FCN的U形架构可能在自顶向下路径的上采样操作中导致高层语义信息的稀释问题，从而削弱显著目标定位能力并产生退化的边界。为此，为克服该局限，我们提出了一种新颖的金字塔自注意力模块（PSAM）并采用独立的特征补充策略。在PSAM中，自注意力层被置于多尺度金字塔特征之后，以捕获更丰富的高层特征并为模型带来更大的感受野。此外，还采用了通道注意力模块以减少FPN的冗余特征并提供精炼结果。实验分析表明，所提出的PSAM有效提升了整体模型，使其在五个具有挑战性的数据集上优于当前最优（SOTA）结果。最后，定量结果显示PSAM生成清晰且完整的显著图，可为其他计算机视觉任务（如目标检测和语义分割）提供进一步帮助。
引用
@article{arxiv.2004.14552,
title = {Salient Object Detection Combining a Self-attention Module and a Feature Pyramid Network},
author = {Guangyu Ren and Tianhong Dai and Panagiotis Barmpoutis and Tania Stathaki},
journal= {arXiv preprint arXiv:2004.14552},
year = {2020}
}