深层特征聚合引导的轻量级显著性目标检测

摘要：

目前显著性目标检测的研究大都是追求性能,而忽略了效率,导致实用性较差.为此,提出一个高效且轻量的网络模型,利用特征复用的思想构建了一种特征提取子网络(LFRM)来充分提取与聚合轻量级特征提取网络的深层特征信息,并生成初始粗糙显著预测图,来用于后续低层特征的定位目标指导;针对各阶段特征层之间的差异,构建了一种跨层交互聚合模块(CIAM)来有效进行空间信息与语义信息的聚合,并减少冗余信息;构建了一种边缘细化模块(ERM)来充分获取和利用边缘轮廓信息,同时采用一种渐进式自引导损失来增强边缘信息彼此的依赖性.最终的网络只有3.48×106的参数,且对于352×352的图片,在单张GTX 1080Ti显卡上能够达到108 FPS的运行速度.对五个基准公开数据集的测试结果表明,所提出的模型拥有跟目前最先进的SOD方法相当甚至更好的性能,同时具有更小的参数以及更快的速度.

关键词：显著性目标检测、轻量级、特征提取、边缘信息

所属期刊栏目：59

分类号：TP391(计算技术、计算机技术)

资助基金：四川省科技厅重大专项;国家部委预研项目

在线出版日期：2023-10-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：122-129