标签：显著性 21 特征 RGB ADFNet 池化 注意力 1.1
目录工作总结
一、论文阅读
1.1RGBT Salient Object Detection: A Large-scale Dataset and Benchmark
1.1.1简介
现在有很多基于RGB-D的显著性目标检测，但深度信息并不是一直有用的，当物体和镜头垂直的时候，同一个物体在在深度图上的差别很大。但T通道信息没有这些问题。同时之前的RGB-T数据集都很小，作者提出了VT5000数据集，包含有5000张标注好的RGB-T显著性检测图像。
1.1.2创新点
1）提出了VT5000数据集
2）提出了一个端到端的RGB-T显著性检测CNN，使用卷积块注意力模型(CBAM)来收集RGB和热红外特征。
3）SOTA
1.1.3数据集介绍
略
1.1.4ADFNet
网络骨干由一个双流VGG构成。分别提取RGB和T通道的特征。在融合这些特征前，利用一系列注意力模块来让网络更加关注有信息的区域。虽然高层语义信息能够促进显著性目标的定位，但中低层的特征也能够细化高层特征。因此利用两个辅助模块（金字塔池化模块和特征聚合模块）来精确定位，并细化细节信息。
1.1.4.1卷积块注意力机制（CBAM）
作者同时采用了空间注意力机制和通道注意力机制。在通道注意力机制中，与常规注意力机制利用全局平均池化来聚合空间信息不同的是，作者同时利用最大池化和平均池化，之后乘上系数将两个池化层相加来得到注意力权重。详情见图。
空间注意力相同，也是同时利用平均池化和最大池化，不同的是空间注意力机制将两个池化层concat到一起而不是相加。
1.1.4.2多模态多层特征融合
特征融合的策略是RGB和T在VGG中第一个block的输出直接相加，后续的block中，先将前一个block的输出经过卷积，再分别与该block的RGB和T输出的特征相加。
1.1.4.3金字塔池化
双流VGG最终提取到的特征都会进入到一个金字塔池化层（详见PSPNet），提取到四个不同大小的特征，这四个特征会在网络自上而下的支路中整合到一起。
1.1.4.4特征整合模块（FAM）
1.1.5损失函数
损失函数由两部分组成，一个是显著性检测的交叉熵损失Lc，一个是边界预测的交叉熵损失。至于边界的标签由拉普拉斯算子获得。
标签：显著性,21,特征,RGB,ADFNet,池化,注意力,1.1 来源： https://www.cnblogs.com/dotaball/p/14017770.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。