Réseau d'agrégation progressive contextuel global pour la détection d'objets saillants

Les réseaux de neurones convolutifs profonds ont atteint des performances compétitives dans la détection d'objets saillants, où l'apprentissage de caractéristiques efficaces et exhaustives joue un rôle crucial. La plupart des travaux précédents ont principalement adopté une intégration de caractéristiques à plusieurs niveaux, mais ils ont négligé l'écart entre les différentes caractéristiques. De plus, il existe également un processus de dilution des caractéristiques de haut niveau lorsqu'elles sont transmises le long du chemin descendante. Pour remédier à ces problèmes, nous proposons un nouveau réseau nommé GCPANet qui intègre efficacement les caractéristiques d'apparence de bas niveau, les caractéristiques sémantiques de haut niveau et les caractéristiques contextuelles globales grâce à des modules d'agrégation progressive de caractéristiques contextuelles (FIA) et génère la carte de saillance de manière supervisée. De plus, un module d'Attention de Tête (HA) est utilisé pour réduire la redondance d'information et améliorer les caractéristiques des couches supérieures en exploitant l'attention spatiale et canal par canal, tandis qu'un module d'Affinement Auto (SR) est utilisé pour affiner davantage et renforcer les caractéristiques d'entrée. En outre, nous avons conçu le module de Flux Contextuel Global (GCF) pour générer des informations contextuelles globales à différents stades, visant à apprendre les relations entre différentes régions saillantes et à atténuer l'effet de dilution des caractéristiques de haut niveau. Les résultats expérimentaux sur six ensembles de données de référence montrent que notre approche proposée surpasse les méthodes de pointe tant quantitativement que qualitativement.