Réseau de Pyramide des Caractéristiques avec Attention pour la Détection de la Saliences

La détection de la saillance est l'un des défis fondamentaux en vision par ordinateur. L'extraction de caractéristiques efficaces est un point critique pour la détection de la saillance. Les méthodes récentes intègrent principalement des caractéristiques convolutives multi-échelles de manière indifférenciée. Cependant, toutes les caractéristiques ne sont pas utiles pour la détection de la saillance et certaines peuvent même causer des interférences. Pour résoudre ce problème, nous proposons le réseau d'attention aux caractéristiques pyramidales (Pyramid Feature Attention network) afin de se concentrer sur les caractéristiques contextuelles de haut niveau et les caractéristiques structurelles spatiales de bas niveau efficaces. Premièrement, nous concevons un module d'extraction pyramidal de caractéristiques contextuelles (Context-aware Pyramid Feature Extraction, CPFE) pour les cartes de caractéristiques de haut niveau multi-échelles afin de capturer des caractéristiques contextuelles riches. Deuxièmement, nous utilisons une attention canal-par-canal (channel-wise attention, CA) après les cartes de caractéristiques CPFE et une attention spatiale (spatial attention, SA) après les cartes de caractéristiques de bas niveau, puis nous fusionnons les sorties de CA et SA ensemble. Enfin, nous proposons une perte préservant les contours pour guider le réseau à apprendre des informations plus détaillées lors du positionnement des frontières.Des évaluations approfondies sur cinq jeux de données基准数据集（benchmark datasets） montrent que la méthode proposée surpassent les approches state-of-the-art selon différents critères d'évaluation.Note: "基准数据集" is translated as "jeux de données benchmark" with the original term in parentheses to ensure clarity and completeness of information.