要約
現在の主要な注目物体検出アプローチは、より正確な予測を生成するために大規模なバックボーンを持つ深いネットワークを使用しており、これにより計算複雑さが大幅に増加しています。多くのネットワーク設計は、特徴抽出と集約能力に制限がある純粋なUNetおよびFeature Pyramid Network (FPN) アーキテクチャに従っています。この制限を克服するため、私たちは標準的なFPNやU-Netフレームワークの特徴表現を強化する軽量な後デコーダー精製モジュールであるクロスドポストデコーダー精製 (CPDR) を設計しました。具体的には、高次表現から生成された注意マップを使用して低次特徴を精製するAttention Down Sample Fusion (ADF) を導入し、さらに空間注意を利用して低次情報が高次特徴をガイドするAttention Up Sample Fusion (AUF) を提案しました。さらに、ADFとAUFに基づいてDual Attention Cross Fusion (DACF) を提案し、パラメータ数を削減しながら性能を維持することに成功しました。5つのベンチマークデータセットでの実験結果は、私たちの方法が以前の最先端アプローチを上回っていることを示しています。