基于对比特征与注意力模块的视频显著目标检测

视频显著目标检测旨在找出视频中视觉上最显著的对象。为探索时间依赖关系，现有方法通常借助循环神经网络或光流。然而，这些方法计算成本高，且易随时间累积误差。本文中，我们提出一种带注意力模块的网络，以学习用于视频显著目标检测的对比特征，而无需高计算量的时间建模技术。我们设计了一种非局部自注意力机制以捕获视频帧中的全局信息。利用协同注意力公式融合低层与高层特征。我们进一步应用对比学习来改进特征表示，其中同一视频的前景区域对被拉近，前景-背景区域对在潜在空间中被推远。帧内对比损失有助于分离前景与背景特征，帧间对比损失改善了时间一致性。我们在多个视频显著目标检测与无监督视频对象分割的基准数据集上进行了大量实验，结果表明所提方法计算量更小，且优于当前最先进的方法。