典型文献
注意力引导网络的显著性目标检测
文献摘要：
目的 全卷积模型的显著性目标检测大多通过不同层次特征的聚合实现检测,如何更好地提取和聚合特征是一个研究难点.常用的多层次特征融合策略有加法和级联法,但是这些方法忽略了不同卷积层的感受野大小以及产生的特征图对最后显著图的贡献差异等问题.为此,本文结合通道注意力机制和空间注意力机制有选择地逐步聚合深层和浅层的特征信息,更好地处理不同层次特征的传递和聚合,提出了新的显著性检测模型AGNet(at-tention-guided network),综合利用几种注意力机制对不同特征信息加权解决上述问题.方法 该网络主要由特征提取模块(feature extraction module,FEM)、通道—空间注意力融合模块(channel-spatial attention aggregation module,C-SAAM)和注意力残差细化模块(attention residual refinement module,ARRM)组成,并且通过最小化像素位置感知(pixel position aware,PPA)损失训练网络.其中,C-SAAM旨在有选择地聚合浅层的边缘信息以及深层抽象的语义特征,利用通道注意力和空间注意力避免融合冗余的背景信息对显著性映射造成影响;ARRM进一步细化融合后的输出,并增强下一个阶段的输入.结果 在5个公开数据集上的实验表明,AGNet在多个评价指标上达到最优性能.尤其在DUT-OMRON(Dalian University of Technology-OMRON)数据集上,F-measure指标相比于排名第2的显著性检测模型提高了1.9％,MAE(mean absolute error)指标降低了1.9％.同时,网络具有不错的速度表现,达到实时效果.结论 本文提出的显著性检测模型能够准确地分割出显著目标区域,并提供清晰的局部细节.
文献关键词：
显著性检测;深度学习;通道注意力;空间注意力;特征融合;卷积神经网络(CNN)
中图分类号：
作者姓名：
何伟;潘晨
作者机构：
中国计量大学信息工程学院,杭州 310018
文献出处：
引用格式：
[1]何伟;潘晨-.注意力引导网络的显著性目标检测)[J].中国图象图形学报,2022(04):1176-1190
A类：
AGNet,SAAM,ARRM
B类：
显著性目标检测,全卷积,多通,不同层次,聚合特征,多层次特征融合,融合策略,有加,加法,卷积层,感受野,特征图,显著图,合通,通道注意力机制,空间注意力机制,选择地,特征信息,显著性检测,检测模型,guided,network,取模,feature,extraction,module,FEM,注意力融合,channel,spatial,attention,aggregation,residual,refinement,像素位置,位置感知,pixel,position,aware,PPA,边缘信息,语义特征,力避,背景信息,显著性映射,造成影响,公开数据集,上达,最优性能,DUT,OMRON,Dalian,University,Technology,measure,排名第,MAE,mean,absolute,error,不错,速度表,割出,显著目标,目标区域
AB值：
0.435801
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
