TRACER: Netzwerk zur Spurverfolgung von auffälligen Objekten mit extremem Fokus

Bestehende Studien zur detektion von auffälligen Objekten (SOD) konzentrieren sich auf die Extraktion von charakteristischen Objekten mit Kantendaten und die Aggregation von mehrstufigen Merkmalen, um die Leistung der SOD zu verbessern. Um eine zufriedenstellende Leistung zu erzielen, verwenden die Methoden verfeinerte Kantendaten und minimieren die Diskrepanz zwischen den mehrstufigen Merkmalen. Allerdings können sowohl ein Leistungsanstieg als auch eine rechnerische Effizienz nicht gleichzeitig erreicht werden, was uns motiviert hat, die Ineffizienzen in bestehenden Encoder-Decoder-Strukturen zu untersuchen, um diesen Kompromiss zu vermeiden. Wir schlagen TRACER vor, welches auffällige Objekte mit expliziten Kanten durch das Einbinden von Aufmerksamkeitsgeführten Verfolgungsmodulen (attention guided tracing modules) erkennt. Am Ende des ersten Encoders verwenden wir ein maskiertes Kantenaufmerksamkeitsmodul unter Anwendung einer schnellen Fourier-Transformation, um die verfeinerten Kantendaten an den nachgeschalteten Merkmalsextraktor weiterzuleiten. Im Mehrstufig-Aggregierungsprozess identifiziert das Union-Aufmerksamkeitsmodul ergänzende Kanalinformationen und wichtige räumliche Daten. Um die Leistung des Decoders und seine rechnerische Effizienz zu verbessern, reduzieren wir den Einsatz der Decoderblöcke durch ein Objektaufmerksamkeitsmodul. Dieses Modul extrahiert nicht erkannte Objekte und Kantendaten aus verfeinerten Kanälen und räumlichen Darstellungen. Anschließend schlagen wir eine adaptive Pixelintensitätsverlustfunktion vor, um mit relativ wichtigen Pixeln umzugehen, im Gegensatz zu herkömmlichen Verlustfunktionen, die alle Pixel gleich behandeln. Ein Vergleich mit 13 existierenden Methoden zeigt, dass TRACER auf fünf Benchmark-Datensätzen den aktuellen Stand der Technik erreicht. TRACER ist unter https://github.com/Karel911/TRACER veröffentlicht worden.