초록
주요성 검출은 컴퓨터 비전에서 기본적인 과제 중 하나입니다. 효과적인 특징을 추출하는 방법은 주요성 검출의 핵심 포인트입니다. 최근의 방법들은 주로 다중 스케일 컨볼루션 특징들을 무차별적으로 통합하는 방식을 채택하고 있습니다. 그러나 모든 특징이 주요성 검출에 유용한 것은 아니며, 일부는 오히려 간섭을 일으키기도 합니다. 이 문제를 해결하기 위해, 우리는 효과적인 고수준 문맥 특징과 저수준 공간 구조적 특징에 집중할 수 있는 피라미드 특징 주의 네트워크(PFAN)를 제안합니다.첫째, 우리는 다중 스케일 고수준 특징 맵에서 풍부한 문맥 특징을 포착하기 위해 문맥 인지형 피라미드 특징 추출(Context-aware Pyramid Feature Extraction, CPFE) 모듈을 설계하였습니다. 둘째, CPFE 특징 맵 후에는 채널별 주의(channel-wise attention, CA)를, 저수준 특징 맵 후에는 공간적 주의(spatial attention, SA)를 적용하고, CA와 SA의 출력을 융합합니다. 마지막으로, 경계 위치화에서 더 자세한 정보를 학습하도록 네트워크를 안내하는 엣지 보존 손실(edge preservation loss)을 제안합니다.다섯 개의 벤치마크 데이터셋에서 수행된 광범위한 평가 결과는 제안된 방법이 다양한 평가 지표 하에서 기존 최신 접근법들보다 우수함을 입증하였습니다.