基于循环注意力残差模块的双向特征金字塔网络用于阴影检测

本文提出了一种新型网络，通过融合深度卷积神经网络（CNN）深层的全局上下文与浅层的局部上下文信息，实现阴影检测。本网络设计包含两项关键技术贡献：首先，我们提出了循环注意力残差（Recurrent Attention Residual, RAR）模块，用于融合相邻CNN层之间的上下文信息，并学习一个注意力图，以选择合适的残差路径，进而对上下文特征进行精细化优化；其次，我们设计了一种双向特征金字塔网络（Bidirectional Feature Pyramid Network, BFPN），通过在网络中部署两组RAR模块，实现跨不同CNN层级的阴影上下文信息的迭代聚合与优化：一组从深层向浅层逐级优化上下文特征，另一组则反向从浅层向深层进行优化。该设计使得网络在有效抑制误检的同时，显著增强阴影细节的表达能力。我们在两个常用的阴影检测基准数据集SBU和UCF上对所提网络进行了评估。实验结果表明，与现有最优方法相比，本方法在SBU数据集上将平衡误差率（balance error rate）降低了34.88%，在UCF数据集上降低了34.57%，显著提升了阴影检测的性能。