Détection de la Salience par Fusion de Caractéristiques Améliorée par le Contexte Global et Perte Pondérée par les Bords

Les méthodes basées sur UNet ont montré des performances exceptionnelles dans la détection d'objets saillants (SOD), mais elles présentent deux problèmes majeurs. 1) L'intégration indifférenciée des caractéristiques de l'encodeur, qui contiennent des informations spatiales pour plusieurs objets, et des caractéristiques du décodeur, qui contiennent des informations globales de l'objet saillant, est susceptible de transmettre des détails inutiles d'objets non saillants au décodeur, entravant ainsi la détection de la saillance. 2) Pour traiter les contours d'objets ambigus et générer des cartes de saillance précises, le modèle nécessite des branches supplémentaires, telles que la reconstruction des contours, ce qui entraîne une augmentation du coût computationnel. Afin de résoudre ces problèmes, nous proposons un réseau de décodeur à fusion contextuelle (CFDN) et une fonction de perte pondérée par les contours proches (NEWLoss). Le CFDN crée une carte de saillance précise en intégrant les informations contextuelles globales et en réduisant ainsi l'influence des informations spatiales inutiles. NEWLoss accélère l'apprentissage des contours flous sans modules supplémentaires en générant des cartes de poids sur les contours d'objets. Notre méthode a été évaluée sur quatre benchmarks et atteint des performances de pointe. Nous prouvons l'efficacité de la méthode proposée à travers des expériences comparatives.