摘要
大多数现有的显著目标检测方法主要使用U-Net或特征金字塔结构，这些方法简单地聚合不同尺度的特征图，忽略了它们的独特性和相互依赖性及其对最终预测的各自贡献。为了解决这些问题，我们提出了M$^3$Net，即多层级、混合和多阶段注意力网络（Multilevel, Mixed and Multistage attention network for Salient Object Detection, SOD）。首先，我们提出了一种多尺度交互块（Multiscale Interaction Block），创新性地引入了交叉注意力机制来实现多层级特征之间的交互，使高层次特征能够指导低层次特征的学习，从而增强显著区域。其次，考虑到先前基于Transformer的SOD方法仅使用全局自注意力来定位显著区域，而不可避免地忽视了复杂对象的细节，我们提出了混合注意力块（Mixed Attention Block）。该模块结合了全局自注意力和窗口自注意力，旨在从全局和局部两个层面建模上下文信息，以进一步提高预测图的准确性。最后，我们提出了一种多层级监督策略，逐阶段优化聚合特征。在六个具有挑战性的数据集上的实验表明，所提出的M$^3$Net在四项指标上超越了最近的CNN和基于Transformer的SOD技术。代码可在https://github.com/I2-Multimedia-Lab/M3Net 获取。