.png){kind=icon}
返回
Spatial attention guided cGAN for improved salient object detection
.png){kind=icon}
OA
AI
DOI：10.3389/fcomp.2024.1420965.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近期研究表明，条件生成对抗网络（cGANs）对于显著目标检测（SOD）任务有效，该任务是一项具有挑战性的计算机视觉任务，模拟了人类视觉聚焦于图像重要部分的方式。然而，将cGANs应用于该任务时存在若干复杂性，包括跳过连接训练中的不稳定性、生成器较弱以及难以捕捉复杂图像的上下文信息。这些挑战在处理包含复杂背景中小型显著目标的输入图像时尤为明显，凸显了需要仔细设计和调整cGANs以确保显著目标准确分割和检测的必要性。为解决这些问题，我们提出了一种基于cGAN框架的SOD创新方法。我们的方法采用编码器-解码器框架作为cGAN的生成器组件，增强特征提取过程并促进显著对象的准确分割。我们在cGAN训练过程中引入Wasserstein-1距离，以提高显著对象检测精度并稳定训练过程。此外，我们的增强模型通过利用空间注意力门控、全局平均池化和正则化，高效捕捉复杂的显著线索。在编码器和解码器路径中引入全局平均池化层增强了网络的全局感知和精细细节捕捉能力，而由密集层支持的通道注意力机制动态调节特征图以放大显著线索。生成的显著图由判别器评估其真实性，并提供反馈以增强生成器生成高分辨率显著图的能力。通过迭代训练判别器和生成器网络，模型在显著对象检测方面实现了更优结果。我们使用常用于显著目标检测的大规模基准数据集（即DUTS、ECSSD和DUT-OMRON）对模型进行了训练和验证。该方法在这些数据集上使用标准性能指标进行评估。采用精确率、召回率、MAE和Fβ分数指标评估性能。与其他最先进方法相比，我们的方法实现了最低的MAE值：在ECSSD数据集上为0.0292，在DUTS-TE数据集上为0.033，在具有挑战性和复杂性的DUT-OMRON数据集上为0.0439。我们提出的方法在显著目标检测方面表现出显著改进，突显了其在实际应用中的潜在优势。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息