Décodage Partiel en Cascade pour une Détection Rapide et Précise des Objets Salients

Les réseaux de détection d'objets saillants actuellement à l'état de l'art s'appuient sur l'agrégation de caractéristiques multivariées issues de réseaux neuronaux convolutifs (CNN) pré-entraînés. Par rapport aux caractéristiques de haut niveau, les caractéristiques de bas niveau contribuent moins aux performances mais nécessitent davantage de calculs en raison de leurs résolutions spatiales plus importantes. Dans cet article, nous proposons un nouveau cadre appelé Décodeur Partiel en Cascade (CPD) pour une détection rapide et précise des objets saillants. D'une part, ce cadre construit un décodeur partiel qui élimine les caractéristiques de résolution plus importante des couches superficielles pour accélérer le processus. D'autre part, nous constatons que l'intégration des caractéristiques des couches plus profondes permet d'obtenir une carte de saillance relativement précise. Nous utilisons donc directement la carte de saillance générée pour affiner les caractéristiques du réseau principal. Cette stratégie supprime efficacement les distracteurs dans les caractéristiques et améliore considérablement leur capacité représentative. Les expériences menées sur cinq jeux de données de référence montrent que le modèle proposé non seulement atteint des performances à l'état de l'art, mais également qu'il fonctionne beaucoup plus rapidement que les modèles existants. De plus, le cadre proposé est appliqué pour améliorer les modèles existants d'agrégation de caractéristiques multivariées, ce qui améliore significativement leur efficacité et leur précision.