C$^{4}$Net: Kontextuelle Kompression und komplementäre Kombinationsnetzwerk für die Erkennung von auffälligen Objekten

Tiefes Lernen hat in den letzten Jahren hervorragende Ergebnisse bei der Lösung des Problems der detektion von auffälligen Objekten erzielt. Die Mehrheit dieser Modelle basiert auf Encodern und Decodern mit unterschiedlichen Multifeature-Kombinationen. In dieser Arbeit zeigen wir, dass die Feature-Verkettung besser funktioniert als andere Kombinationsmethoden wie Multiplikation oder Addition. Zudem führt das gemeinsame Lernen von Features zu besseren Ergebnissen, aufgrund des Informationsaustauschs während ihrer Verarbeitung. Wir haben ein Komplementäres Extraktionsmodul (CEM) entwickelt, um notwendige Features mit Kantenbewahrung zu extrahieren. Unsere vorgeschlagene Überschussfunktion (Excessiveness Loss, EL) hilft dabei, falsch positive Vorhersagen zu reduzieren und die Kanten durch andere gewichtete Verlustfunktionen zu reinigen. Unser entwickeltes Pyramiden-Semantik-Modul (PSM) mit globaler Leitströmung (G) verbessert die Vorhersagegenauigkeit, indem es hochwertige komplementäre Informationen an flachere Schichten weitergibt. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Modell unter drei Bewertungsmaßstäben alle Benchmark-Datensätze gegenüber den bislang besten Methoden übertrifft.