logo资料库

Pyramid Feature Attention Network for Saliency detection.ppt

发布时间：2022-05-31 发布人：admin 分类：说明书 资料大小：1.15M 资料格式：ppt 举报 版权申诉
第1页 / 共7页
第2页 / 共7页
第3页 / 共7页
第4页 / 共7页
第5页 / 共7页
第6页 / 共7页
第7页 / 共7页
资料共7页，全文预览结束
    Pyramid Feature Attention Network for Saliency detection 汇报人：端木明星 2019.11. 21
    Pyramid Feature Attention Network for Saliency detection 动机： 现有算法多通过融合多尺度特征来提取更有效的特征，但并没有考虑它们对显著性的不 同贡献（信息冗余），而且有些可能导致性能下降或错误预测。 作者提出： 1. 低级特征上使用了空间注意力模块（spatial attention，SA） 2. 高级特征上使用了通道注意力模块（channel-wise attention，CA）和类ASPP结构CPFE。 3. 提出边缘保留损失的方法，使网络学习到更多的边界定位的细节信息。
    Pyramid Feature Attention Network for Saliency detection 模型：总体框架 包含一个上下文感知的金字塔特征提取模块（CPFE）和channel-wise attention模块捕获上 下文感知的多尺度多接收域高级特征, 用于低级特征的spatial attention模块细化突出的目标细节。 使用atrous convolution[4]来获得相同尺度但不同接收域的特征。与SIFT中的金字塔多分辨率表 示类似，使用VGG-16[27]的conv3-3、conv4-3和conv5-3来提取多尺度特征。 [4]. L.-C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, and A. L. Yuille. Deeplab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully con- nected crfs. IEEE transactions on pattern analysis and ma- chine intelligence, 40(4):834–848, 2018. [27]. K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556, 2014.
    Pyramid Feature Attention Network for Saliency detection 模型：CPFE 1. 采用不同膨胀率(3/5/7)的逐次卷积获取 多接收域上下文信息。 2. 将来自不同对流层的特征图和1×1降维特 征结合起来。 3. 将两个较小的特征上采样到最大的一个。 4. 级联后输出。
    Pyramid Feature Attention Network for Saliency detection 模型：CA&SA CA： 使用带残差块的SENet[26]，先全局池化，然后在 非线性周围形成两个FC层来编码信道方向的特征向量。 SA:将空间注意力更多地集中在前景区域，对CA模块的输 出进行1xk和kx1的卷积，用sigmoid对输出进行归一化。 [26]. J. Hu, L. Shen, and G. Sun. Squeeze-and-excitation net- works. arXiv preprint arXiv:1709.01507, 7, 2017.
    Pyramid Feature Attention Network for Saliency detection LOSS函数： 总 loss： Ls： LB： [-1, -1, -1] [-1, 8, -1] [-1, -1, -1]
    Pyramid Feature Attention Network for Saliency detection 实验：
    分享到：
    赞 收藏

    相关推荐

    资料库

    人工智能

    共收录2047份资料，累计62个分类，关注成员有19位，主要包括：GNSS,Pico-SIM868-GSM,GPRS,NB-IoT,GPRSHAT,SIM7070GCat-M,GNSSHAT,GSM,NB-IoTHAT,SIM7080GCat-M,R800CGSM,SIM800CGSM,UPSPowerModule(B),UPSPowerModule,Pico-SIM7020C-NB-IoT,SIM7028NB-IoTHAT,SIM7020CNB-IoTHAT,SIM7000XNB-IoTHAT,A7670CCat-1HAT,A7600C1Cat-1,SIM7600X4G&LTECat-1HAT,SIM7600X4GDONGLE用户手册,RM520N-GL5GHAT,RM500Q-GL5GHAT,RM500U-CN5GHAT,SIM820X-M25GforJetsonNano,AudioCardforJetsonNano,SIM7600G-H4GforJetsonNano,OpenNCC-Lite-4G8M,IMX219-77Camera,13.3inche-PaperHAT,10.3inche-PaperHAT(D),10.3inche-PaperHAT,9.7inche-PaperHAT,7.8inche-PaperHAT,6inchHDTouche-PaperHAT,6inchHDe-PaperHAT,6inche-PaperHAT,5.83inche-PaperHAT(C),LCD-Clock-A,0.95inchRGBOLED(A),0.96inchRGBOLEDModule,0.96inchOLEDModule,0.96inchOLED(A),1.27inchRGBOLEDModule,1.3inchOLEDModule(C),1.3inchOLED(A),1.32inchOLEDModule,1.5inchRGBOLEDModule,1.5inchOLEDModule,JETSONORINNX,自然语言处理,搜索引擎,VR,计算广告,深度学习,机器学习

    热门标签

    GNSS Pico-SIM868-GSM GPRS NB-IoT GPRSHAT SIM7070GCat-M GNSSHAT GSM NB-IoTHAT SIM7080GCat-M R800CGSM SIM800CGSM UPSPowerModule(B) UPSPowerModule Pico-SIM7020C-NB-IoT SIM7028NB-IoTHAT SIM7020CNB-IoTHAT SIM7000XNB-IoTHAT A7670CCat-1HAT A7600C1Cat-1 SIM7600X4G&LTECat-1HAT SIM7600X4GDONGLE用户手册 RM520N-GL5GHAT RM500Q-GL5GHAT RM500U-CN5GHAT SIM820X-M25GforJetsonNano AudioCardforJetsonNano SIM7600G-H4GforJetsonNano OpenNCC-Lite-4G8M IMX219-77Camera 13.3inche-PaperHAT 10.3inche-PaperHAT(D) 10.3inche-PaperHAT 9.7inche-PaperHAT 7.8inche-PaperHAT 6inchHDTouche-PaperHAT 6inchHDe-PaperHAT 6inche-PaperHAT 5.83inche-PaperHAT(C) LCD-Clock-A 0.95inchRGBOLED(A) 0.96inchRGBOLEDModule 0.96inchOLEDModule 0.96inchOLED(A) 1.27inchRGBOLEDModule 1.3inchOLEDModule(C) 1.3inchOLED(A) 1.32inchOLEDModule 1.5inchRGBOLEDModule 1.5inchOLEDModule JETSONORINNX 自然语言处理 搜索引擎 VR 计算广告 深度学习 机器学习

    最新资料