软件学报

作者：郭琪周，袁春

单位：郭琪周，清华大学 计算机科学与技术系, 北京 10008411,袁春，清华大学 深圳国际研究生院, 广东 深圳 518055;鹏城实验室, 广东 深圳 51805502

关键词：目标检测;特征融合;注意力机制;深度学习;图像分割

基金：国家自然科学基金（U1833101）；深圳市基础研究项目（JCYJ20190809172201639）

高质量的特征表示可以提高目标检测和其他计算机视觉任务的性能.现代目标检测器诉诸于通用的特征金字塔结构以丰富表示能力，但是他们忽略了对于不同方向的路径应当使用不同的融合操作，以满足其对信息流的不同需求.提出了分离式空间语义融合（separated spatial semantic fusion，SSSF），它在自上而下的路径中使用通道注意模块（channel attention block，CAB）来传递语义信息，在自下而上的路径中使用具有瓶颈结构的空间注意模块（spatial attention block，SAB）来通过较少的参数和较少的计算量（相比于直接利用不降维的空间注意模块）将精确的位置信号传递到顶层.SSSF十分有效，并且具有很强大的泛化能力：对于目标检测，它可以将AP提高1.3%以上，对于自上而下的路径进行语义分割的融合操作，它可以将普通加和版本的AP提高约0.8%，对于实例分割，所提方法能够在所有指标上提高实例分割的包围框AP和掩膜AP.

来源：2023年第6期

《软件学报》期刊编辑部

查看软件学报杂志2023年第6期