SVAM：自主水下机器人的显著性引导视觉注意建模
计算机视觉与模式识别
2022-04-15 v2 机器学习
机器人学
摘要
本文提出一种用于自主水下机器人的显著性引导视觉注意建模（SVAM）的整体方法。我们提出的模型名为 SVAM-Net，整合多尺度与语义的深度视觉特征，以在自然水下图像中有效进行显著目标检测（SOD）。SVAM-Net 架构以独特方式配置，在两个独立网络分支中联合容纳自底向上与自顶向下学习，同时共享相同编码层。我们沿这些学习路径设计专用空间注意模块（SAMs），以利用粗粒度与细粒度语义特征在四个抽象层级进行 SOD。自底向上分支以快速速率执行粗略但合理的准确显著性估计，而更深的自顶向下分支引入残差精炼模块（RRM），提供显著目标的细粒度定位。SVAM-Net 在基准数据集上的广泛性能评估清晰展示了其用于水下 SOD 的有效性。我们还通过若干海洋试验数据验证其泛化性能，包含多样水下场景与水体的测试图像，以及含未见自然物体的图像。此外，我们分析其面向机器人部署的计算可行性，并展示其在若干重要视觉注意建模用例中的效用。
引用
@article{arxiv.2011.06252,
title = {SVAM: Saliency-guided Visual Attention Modeling by Autonomous Underwater Robots},
author = {Md Jahidul Islam and Ruobing Wang and Junaed Sattar},
journal= {arXiv preprint arXiv:2011.06252},
year = {2022}
}