该论文2018年在CVPR发表，介绍了一种渐进注意引导循环网络（Progressive Attention Guided Recurrent Network），用于解决深度学习在显著性目标检测中的局限。论文引入空间注意力（SA）和通道注意力（CA），在VGG19基础上建立多路循环连接，将高层语义信息反馈给浅层，增强特征学习能力。实验表明，该方法提高了显著性目标检测的准确性。
论文名翻译：渐进注意引导循环网络用于显著性目标检测。
发表情况：该论文于2018年发表在CVPR。
论文核心思想：
- 引入空间注意力(SA)和通道注意力(CA)，提出了一种新型注意力驱动框架。其目的是想以一种渐进的方式选择性的融合多层特征。
- 在骨干网络VGG19上加入了多路循环连接。其目的是把顶层的全局语义信息反馈给浅层，从而提高网络的特征学习能力。
一.提出问题
- 目前的深度学习的方法仅是把多层特征机械地整合在一起。
- 网络的浅层缺乏获取全局语义信息的能力，限制了有效的特征学习。
二.解决问题
针对问题1，作者就提出了论文核心思想中的1；针对问题2，作者就提出论文核心思想中的2。
三. 框架
这是整个网络框架。上面表示在VGG的第三四五层上引入多路循环连接，将顶层语义信息反馈到浅层。将得到的最顶层的特征图Conv5_5通过所提出的注意力模块得到注意力专注后的特征图，再将其上采样2倍后与来自VGG的第四层卷积的特征图Conv4-4结合。与此同理后推，将最终得到的特征图来预测最终的显著性图。
四. 注意力模块：SA + CA
先对顶层特征生成每个通道权重，公式如下：‘
其中v是对每个通道特征作平均池化操作，得到的一个通道特征向量。然后对v进行卷积操作得到u，再通过softmax操作得到每个通道注意力权重。将该通道注意力权重乘以特征图f就得到对应的通道注意特征力<
最低0.47元/天 解锁文章
1175
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
