Mamba-driven sifter for salient object detection

Chen, Ke

doi:10.1016/j.eswa.2026.133595

Mamba-driven sifter for salient object detection

2026-07-01

0

PRE

AI

DOI：10.1016/j.eswa.2026.133595

原文链接

原文求助

摘要

En 中文

注意力机制作为一种突出显著特征的关键技术，已被广泛应用于显著物体检测任务。然而，传统的注意力机制（如Transformer中的机制）通过批量计算标记和通道的注意力上下文，存在稀释显著信息的风险，特别是在存在复杂和干扰背景的情况下。为解决此问题，我们采用Mamba中的选择性状态空间模型（SSM）来缓解显著信息稀释，因为SSM按顺序为每个标记计算注意力上下文，并通过前序标记的隐藏状态累积长程上下文。这种顺序扫描机制能选择性过滤噪声并强调局部和历史隐藏状态，从而更有效地抑制背景干扰并增强显著区域。为进一步缓解由批量通道导致的显著模式稀释，我们设计了面向显著物体检测的通道级Mamba筛子。具体而言，由Mamba驱动的通道分割筛子和通道合并筛子组成，用于强调通道组内的显著属性而非批量通道，有助于防止关键信息的淹没。在公开数据集上的实验表明，所提出的模型取得了最先进的性能。代码可在https://github.com/liuyi1989/MSNet获取。

Keyword:

Salient object detection

State-space model

Mamba-driven sifter

Mamba-driven sifter for salient object detection

摘要

期刊

机构

引用论文