《Pyramid Feature Attention Network for Saliency detection》阅读笔记

最新推荐文章于 2022-10-09 19:38:27 发布

6个小石头

最新推荐文章于 2022-10-09 19:38:27 发布

阅读量782

点赞数

分类专栏：阅读论文

本文链接：https://blog.csdn.net/LiuJiuXiaoShiTou/article/details/106203475

版权

本文介绍了Pyramid Feature Attention Network（PFAN）在显着性检测中的创新应用，通过上下文感知金字塔特征提取和通道、空间注意力模块提升检测效果，并采用边缘保持损失以改善边界准确性。实验显示，PFAN在多个基准数据集上超越了现有方法。

摘要由CSDN通过智能技术生成

一、论文

《Pyramid Feature Attention Network for Saliency detection》

显着性检测是计算机视觉中的基本挑战之一。近年来，CNN是用于显着性检测的最广泛使用和功能最强大的技术，其中来自不同层的特征图始终无区别地集成在一起。但是，本能地，CNN的不同特征图和同一图中的不同特征在显着性检测中应该扮演不同的角色。为了解决这个问题，提出了一种新颖的CNN，称为金字塔特征注意网络（PFAN），以增强高级上下文特征和低级空间结构特征。在提出的PFAN中，为多尺度高级特征图设计了上下文感知金字塔特征提取（CPFE）模块，以捕获丰富的上下文特征。将通道注意（CA）模型和空间注意（SA）模型分别应用于CPFE特征图和低级特征图，然后融合以检测显着区域。最后，提出了一种边缘保持损失，以获取显着区域的准确边界。在五个基准数据集上对提出的PFAN进行了广泛评估，实验结果表明，在不同的评估指标下，提出的网络优于最新方法。

简而言之，我们的贡献概括如下：

1.我们提出了一种用于图像显着性检测的金字塔特征注意（PFA）网络。对于高级功能，我们采用了上下文感知金字塔特征提取模块和通道关注模块来捕获丰富的上下文信息。对于低级特征，我们采用空间关注模块过滤掉一些背景细节。

2.我们设计了一种新颖的边缘保留损失，以指导网络学习边界定位方面的更多详细信息。

3.所提出的模型在一些具有挑战性的数据集上达到了最新水平。实验证明了该方法的有效性和优越性。

二、网络结构