SAMNet: Stereoscopically Attentive Multi-scale Network for Lightweight Salient Object Detection

该博客介绍了SAMNet,一种用于轻量级显著性物体检测的立体注意力多尺度网络。SAMNet利用立体注意力机制融合不同尺度特征,通过深度可分离卷积降低计算开销。实验表明,尽管参数少,但其性能与先进的SOD方法相当。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

SAMNet: Stereoscopically Attentive Multi-scale Network for Lightweight Salient Object Detection

显著性物体检测的轻量级立体注意力多尺度网络

原文链接:https://www.researchgate.net/publication/350161009_SAMNet_Stereoscopically_Attentive_Multi-Scale_Network_for_Lightweight_Salient_Object_Detection

作者:Yun Liu*, Xin-Yu Zhang*, Jia-Wang Bian, Le Zhang, Ming-Ming Cheng

摘要:近年来在显著目标检测(SOD)方面的进展主要得益于卷积神经网络(CNNs)的爆炸性发展。然而,大部分的改进来自于更大的网络规模和更重的计算开销,在我们看来,这并不友好,在实践中难以部署。为了推广更实用的SOD系统,我们引入了一种新的立体注意力多尺度(SAM)模块,它采用了立体注意力机制,自适应地融合了不同尺度的特征。在这个模块上,我们提出了一个非常轻量级的网络,用于SOD,即SAMNet。在流行基准上进行的大量实验表明,对于仅使用1.33M参数的336×336的输入,在343fps的GPU速度和5fps的CPU速度下运行时,所提出的SAMNet与最先进的方法具有相当的精度。

文章概述

本文针对现有的显著性目标检测方法普遍存在网络规模越来越大,计算量大的问题,提出了一个轻量级的立体注意力多尺度模块。

骨干网:使用所提出的SAM模块作为基本单元,构建一个FCN结构。
多尺度融合:输入特征图的多尺度融合;立体注意力多尺度融合。

评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值