GCoNet+: より強力なグループ協調共通サリエントオブジェクト検出器

本論文では、自然環境下で共通の注目対象物（co-salient objects）を効果的かつ効率的に（250 fps）識別する新たなエンドツーエンドのグループ協調学習ネットワークであるGCoNet+を提案します。提案されたGCoNet+は、以下の2つの重要な基準に基づいて合意表現を掘り下げることにより、共通の注目対象物検出（CoSOD）において新しい最先端の性能を達成しています。1) グループ内コンパクト性：グループアフィニティモジュール（GAM）を使用して共通の注目対象物間の内在的な共有属性を捉えることで、これらの対象物間の一貫性をよりよく定式化します。2) グループ間分離性：一貫性のない合意に条件付けた新しいグループ協調モジュール（GCM）を導入することで、ノイジーな対象物が出力に及ぼす影響を効果的に抑制します。さらに精度向上のために、以下のような単純ながら効果的な構成要素を設計しました：i) 意味レベルでのモデル学習を促進する再帰的な補助分類モジュール（RACM）ii) 最終予測の品質向上に寄与する信頼性強化モジュール（CEM）iii) モデルがより差別的な特徴を学習することを導くグループベースの対称トリプレット損失（GST）3つの挑戦的なベンチマークデータセット、すなわちCoCA、CoSOD3k、およびCoSal2015における広範な実験結果から、我々のGCoNet+が既存の12種類の最先端モデルを超えることが示されました。コードはhttps://github.com/ZhengPeng7/GCoNet_plus で公開されています。