SHPNet: Semantic-Consistent Holistic Perception Network for Efficient Multi-Scale Feature Compression

doi:10.1109/tbc.2026.3720881

SHPNet: Semantic-Consistent Holistic Perception Network for Efficient Multi-Scale Feature Compression

2026-08-11

0

PRE

AI

DOI：10.1109/tbc.2026.3720881

原文链接

原文求助

摘要

En 中文

多尺度特征压缩旨在消除多尺度特征中任务无关的冗余，同时保持下游任务性能。然而，现有方法难以动态提取跨尺度相关性，导致冗余消除不足。此外，它们通常无法准确重建精细的空间细节和充分保留关键对象语义，限制了其实际编码性能。为解决这些问题，提出了一种基于语义一致性整体感知网络（SHPNet）的多尺度特征压缩方法，该方法不仅能动态捕获鲁棒的跨尺度相关性以实现紧凑特征融合，还能显著提升重建特征的质量。具体而言，首先设计了一个基于跨尺度去相关性的自适应融合模块，通过动态挖掘跨尺度的全局和局部相关性来减少任务无关的跨尺度冗余。然后，开发了一个基于上下文引导的细节重建模块，利用多样化的上下文线索恢复精细的空间细节。最后，提出了一个敏感度感知信号-语义保真度损失函数，通过融入敏感度图明确引导SHPNet保留任务关键的对象语义。在实例分割和目标检测任务上的大量实验表明，所提出的方法在编码效率方面具有显著优势，并明显优于当前最先进的多尺度特征压缩方法。

Keyword:

Machine vision

multi-scale feature compression

feature fusion

detail reconstruction

semantic preservation

SHPNet: Semantic-Consistent Holistic Perception Network for Efficient Multi-Scale Feature Compression

摘要

期刊

机构

引用论文