基于不确定性引导的细粒度显著物体检测的精细化
计算机视觉与模式识别
2025-04-15 v1
摘要
最近的显著物体检测（SOD）方法取得了令人印象的成绩，但现有方法预测的显著区域通常包含未饱和区域和阴影，限制了模型进行可靠细粒度预测的能力。为此，我们引入了基于不确定性引导的学习方法用于SOD，旨在增强模型对不确定区域的感知能力。具体而言，我们设计了一种新的不确定性引导精细化注意力网络（UGRAN），其中包含三个重要组件，即多层交互注意力（MIA）模块、尺度空间一致注意力（SSCA）模块和不确定性精细化注意力（URA）模块。与传统方法专注于增强特征不同，所提出的MIA促进了多层特征的交互和感知，利用多层特征之间的互补特性。随后，通过所提出的SSCA，可更全面、整体地整合聚合特征中不同尺度的显著信息。在后续步骤中，我们利用从显著性预测图生成的不确定性图来增强模型对不确定区域的感知能力，生成高度饱和的细粒度显著性预测图。此外，我们构想了一种自适应动态分区（ADP）机制，以最小化URA模块的计算开销并提高不确定性引导的利用率。在七个基准数据集上的实验表明，所提出的UGRAN在当前最先进的方法之上表现出优越性。代码将在https://github.com/I2-Multimedia-Lab/UGRAN 上发布。
引用
@article{arxiv.2504.09666,
title = {Uncertainty Guided Refinement for Fine-Grained Salient Object Detection},
author = {Yao Yuan and Pan Gao and Qun Dai and Jie Qin and Wei Xiang},
journal= {arXiv preprint arXiv:2504.09666},
year = {2025}
}
备注
IEEE Transactions on Image Processing 2025