基于特征注意力提纯的显著性目标检测模型

doi:10.11896/jsjkx.230300018

摘要

摘要：近年来，显著目标检测技术取得了很大进展，如何选择和有效集成多尺度特征起着重要作用。针对现有特征集成方法可能导致的信息冗余问题，提出了一种基于特征注意细化的显著性检测模型。首先，在解码器中，使用全局特征注意力引导模块（GAGM）通过注意力机制处理带有语义信息的深层特征，以获取全局上下文信息，然后通过全局引导流序列将这些信息发送到解码器的每个层进行监督。然后使用多尺度特征聚合模块（FAM）将编码器提取的多尺度特征与全局上下文信息有效集成，并在网格特征净化模块（MFPM）中进一步细化，以生成清晰完整的显著特征。在5个公共数据集上的实验结果表明，该模型优于现有的其他显著性目标检测方法。此外，我们的方法的处理速度也很快，在处理320×320图像时可以以30 FPS以上的速度运行。

关键词： 突出物体检测，注意机制，多尺度特征融合，特征选择，网格特征净化

CLC编号：

第三百九十一页

白雪飞、沈武成、王文健。基于特征注意净化的显著目标检测[J]。计算机科学，2024，51（5）：125-133。

工具书类

[1] 姜浩，王杰，袁Z，等。显著目标检测：一种区分性区域特征集成方法[C]//IEEE计算机视觉与模式识别会议论文集。IEEE，2013:2083-2090。
[2] 李杰，傅可，赵S，等。用于航空视频显著性有效估计的时空知识提取[J]。IEEE图像处理汇刊，2019,29:1902-1914。
[3] GE S，LI J，YE Q，et al.用lle-cnns在野外检测蒙面人脸[C]//IEEE计算机视觉与模式识别会议论文集.2017:2682-2690。
[4] 李晓霞，强军，刘伟杰，等.基于双主干网的雾中交通目标检测方法研究[J]。重庆工商大学学报（自然科学版），2023,40（4）：25-34。。
[5] GAO Y，WANG M，TAO D，等.3-D基于超图分析的对象检索与再认识[J]。IEEE图像处理汇刊，2012，21（9）：4290-4303。
[6] 姚强，龚霞。基于显著性引导的弱和半监督语义切分自关注网络[J]。IEEE接入，2020,8:14413-14423。
[7] 陈明明，米特拉·N·J，黄X，等.基于全局对比度的显著区域检测[J]。IEEE模式分析和机器智能汇刊，2014,37（3）：569-582。
[8] 姜Z，DAVIS L S.子模块显著区域检测[C]//IEEE计算机视觉与模式识别会议论文集。IEEE，2013:2043-2050。
[9] 何仕，刘瑞伟，刘伟，等.超像素离散卷积神经网络在显著目标检测中的应用[J]。国际计算机视觉杂志，2015115:330-344。
[10] 李刚，于云。基于多尺度深度特征的视觉显著性[C]//IEEE计算机视觉和模式识别会议论文集。IEEE，2015:5455-5463。
[11] HOU Q，CHENG M M，HU X，等.基于短连接的深度监督显著目标检测[C]//IEEE计算机视觉与模式识别会议论文集。IEEE，2017:3203-3212。
[12] 刘恩，韩J.Dhsnet：用于显著目标检测的深度层次显著网络[C]//IEEE计算机视觉和模式识别会议论文集。IEEE，2016:678-686。
[13] 张旭，王涛，齐杰，等。用于显著目标检测的渐进注意引导递归网络[C]//IEEE计算机视觉与模式识别会议论文集。IEEE，2018:714-722。
[14] 吴忠，苏力，黄琼。快速准确检测显著目标的级联部分解码器[C]//IEEE/CVF计算机视觉和模式识别会议论文集。IEEE，2019:3907-3916。
[15] 赵涛，吴霞。用于显著性检测的金字塔特征注意网络[C]//IEEE/CVF计算机视觉和模式识别会议论文集。IEEE，2019:3085-3094。
[16] 张鹏，王德，卢赫，等.护身符：聚集多级卷积特征用于显著目标检测[C]//IEEE国际计算机视觉会议论文集。IEEE，2017:202-211。
[17] 林天勇，多拉·R·P，GIRSHICK R，等。用于目标检测的特征金字塔网络[C]//IEEE计算机视觉和模式识别会议论文集。IEEE，2017:2117-2125。
[18] 刘俊杰，HOU Q，CHENG M M，等.一种简单的基于池的实时显著目标检测设计[C]//IEEE/CVF计算机视觉与模式识别会议论文集。IEEE，2019:3917-3926。
[19] TAN M，PANG R，LE Q V.Efficientdet:可扩展和高效的目标检测[C]//IEEE/CVF计算机视觉和模式识别会议论文集。IEEE，2020:10781-10790。
[20] 乔斯，陈立中，尤利尔A.检测器：用递归特征金字塔和可切换的atrous卷积检测对象[C]//IEEE/CVF计算机视觉和模式识别会议论文集。IEEE，2021:10213-10224。
[21]刘俊杰，HOU Q，LIU Z A，等.Poolnet+：探索显著对象检测中池的潜力[J]。IEEE模式分析和机器智能汇刊，2022,45（1）：887-904。
[22]ZEILER M D，FERGUS R.可视化和理解con-volution网络[C]//计算机视觉－ECCV 2014:13第13届欧洲会议，瑞士苏黎世，第一部分13.施普林格，2014:818-833。
[23]胡J，沈L，孙G.挤压和激励网络[C]//IEEE计算机视觉和模式识别会议论文集。IEEE，2018:7132-7141。
[24]CHEN L C，PAPANDREOU G，SCHROFF F，等.基于反褶积的语义图像分割的再思考[J].arXiv:1706.055872017。
[25]GE S，ZHAO S，LI C，等.基于选择性知识提取的野外低分辨率人脸识别[J]。IEEE图像处理汇刊，2018,28（4）：2051-2062。
[26]张克，张丙，李斯，等.基于进化知识提炼的学生网络学习[J]。IEEE视频技术电路和系统汇刊，2021,32（4）：2251-2263。
[27]王Z，SIMONCELLI E P，BOVIK A C.用于图像质量评估的多尺度结构相似性[C]//第三届第七届信号、系统和计算机Asilomar会议，2003。IEEE，2003:1398-1402。
[28]王L，卢H，王Y，等.学习用图像级监督检测显著物体[C]//IEEE计算机视觉和模式识别会议论文集。IEEE，2017:136-145。
[29]颜强，徐磊，史杰，等.层次显著性检测[C]//IEEE计算机视觉与模式识别会议论文集。IEEE，2013:1155-1162。
[30]李毅，HOU X，KOCH C，等.显著对象分割的秘密[C]//IEEE计算机视觉与模式识别会议论文集。IEEE，2014:280-287。
[31]YANG C，ZHANG L，LU H，et al.基于图形流形排序的显著性检测[C]//IEEE计算机视觉与模式识别会议论文集。IEEE，2013:3166-3173。
[32]HE K，ZHANG X，REN S，et al.用于图像识别的深度残差学习[C]//IEEE计算机视觉与模式识别会议论文集。IEEE，2016:770-778。
[33]张明，刘涛，朴毅，等.Auto-msfnet：搜索多尺度融合网络用于显著目标检测[C]//第29届ACM国际多媒体会议的进程。计算机协会。2021:667-676。
[34]吴忠，苏力，黄琦.显著目标检测的分解与完备网络[J]。IEEE图像处理汇刊，2021,30:6226-6239。
[35]刘恩，张恩，万凯，等.视觉显著性变换器[C]//IEEE/CVF国际计算机视觉会议论文集.2021:4722-4732。
[36]赵Z，夏C，谢C，等.快速准确检测显著目标的互补三边解码器[C]//第29届ACM国际多媒体会议论文集。计算机协会，2021:4967-4975。
[37]PANG Y，ZHAO X，ZHANG L，et al.用于显著目标检测的多尺度交互网络[C]//IEEE/CVF计算机视觉和模式识别会议论文集。IEEE，2020:9413-9422。
[38]魏J，王S，黄Q.F^三网络：突出目标检测的融合、反馈和聚焦[C]//AAAI人工智能会议论文集。AAAI，2020:12321-2328。
[39]赵X，PANG Y，ZHANG L，等.抑制与平衡：用于显著目标检测的简单门控网络[C]//计算机视觉－ECCV 2020:16欧洲会议，英国格拉斯哥，第二部分16.斯普林格，2020:35-51。
[40]MOHAMMADI S，NOORI M，BAHRI A，等.CAGNet：显著目标检测的内容软件指南[J]。模式识别，2020103:107303。
[41]方X，朱J，邵X，等.LC3Net：用于显著目标检测的梯形上下文相关互补网络[J]。基于知识的系统，2022242:108372。
[42]秦X，张Z，黄C，等.Basnet:边界感知显著目标检测[C]//IEEE/CVF计算机视觉与模式识别会议论文集。IEEE，2019:7479-7489。
[43]ZHAO J X，LIU J J，FAN D P，et al.EGNet：用于显著物体检测的边缘制导网络[C]//IEEE/CFF国际计算机视觉会议论文集。IEEE，2019:8779-8788。
[44]刘恩，韩J，杨美华.皮卡内特：学习像素级上下文注意用于显著性检测[C]//IEEE计算机视觉和模式识别会议论文集。IEEE，2018:3089-3098。

相关文章15

[1]	吴晓琴、周文军、邹成林、王一凡、彭波。基于多尺度视觉感知特征融合的显著目标检测方法[J] ●●●●。计算机科学，2024，51（5）：143-150。
[2]	兰永奇，何兴兴，李英芳，李天瑞。一种新的图约简表示和用于前提选择的图神经网络模型[J] ●●●●。计算机科学，2024，51（5）：193-199。
[3]	顾楚梅、曹建军、王保伟、徐玉新。基于混合特征选择的特定辐射源识别[J] ●●●●。计算机科学，2024，51（5）：267-276。
[4]	何世阳、王朝辉、龚盛荣、钟山。基于交叉模式信息过滤的可视问答网络[J] ●●●●。计算机科学，2024，51（5）：85-91。
[5]	尚新新、李凯、温颖。融合全尺度特征融合和RNN的医学图像分割网络[J] ●●●●。计算机科学，2024，51（5）：100-107。
[6]	周瑜、陈志华、盛斌、梁磊。用于图像去叠的多尺度累进变换器[J] ●●●●。计算机科学，2024，51（5）：117-124。
[7]	张明道，周鑫，吴晓红，青林波，何小海。基于语义扩展和HDGCN的统一伪新闻检测[J] ●●●●。计算机科学，2024，51（4）：299-306。
[8]	王瑞平、吴世宏、张美航、王小平。基于视觉的神经网络三维动态手势识别方法综述[J] ●●●●。计算机科学，2024，51（4）：193-208。
[9]	刘泽瑜、刘建伟。基于多任务学习的视频和图像显著目标检测[J] ●●●●。计算机科学，2024，51（4）：217-228。
[10]	王子宏、邵英霞、何继元、刘金宝。基于多空间属性信息融合的序贯推荐[J] ●●●●。计算机科学，2024，51（3）：102-108。
[11]	郝冉、王红军、李天瑞。基于双分支序列混合注意的输电线路缺陷检测深度神经网络模型[J] ●●●●。计算机科学，2024，51（3）：135-140。
[12]	李煜、杨祥丽、张乐、梁亚林、高贤、杨建熙。基于级联U网的遥感图像道路分割与轮廓提取[J] ●●●●。计算机科学，2024，51（3）：174-182。
[13]	廖萌、贾震、李天瑞。基于标签信息融合和多任务学习的中文命名实体识别[J] ●●●●。计算机科学，2024，51（3）：198-204。
[14]	孙守南、王景斌、吴仁飞、尤长凯、柯西凡、黄浩。TMGAT：带类型匹配约束的图形注意网络[J] ●●●●。计算机科学，2024，51（3）：235-243。
[15]	张峰、黄世新、华强、董春如。基于深度卷积神经网络和视觉变换的新型图像分类模型[J] ●●●●。计算机科学，2024，51（2）：196-204。

韵律学

已查看

全文

摘要

引用

共享

讨论

基于特征注意净化的显著目标检测

PDF（个人电脑）

摘要

引用这篇文章

分享这篇文章

工具书类

相关文章15

韵律学

评论

推荐0