基于鲁棒视觉变换和多注意力的全景图像显著性检测

摘要：

针对当前全景图像显著性检测方法存在检测精度偏低、模型收敛速度慢和计算量大等问题,该文提出一种基于鲁棒视觉变换和多注意力的U型网络(URMNet)模型.该模型使用球形卷积提取全景图像的多尺度特征,减轻了全景图像经等矩形投影后的失真.使用鲁棒视觉变换模块提取4种尺度特征图所包含的显著信息,采用卷积嵌入的方式降低特征图的分辨率,增强模型的鲁棒性.使用多注意力模块,根据空间注意力与通道注意力间的关系,有选择地融合多维度注意力.最后逐步融合多层特征,形成全景图像显著图.纬度加权损失函数使该文模型具有更快的收敛速度.在两个公开数据集上的实验表明,该文所提模型因使用了鲁棒视觉变换模块和多注意力模块,其性能优于其他6种先进方法,能进一步提高全景图像显著性检测精度.

关键词：全景图像、显著性检测、卷积神经网络、视觉变换、注意力机制

所属期刊栏目：45

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-07-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：2246-2255