FIPGNet:Pyramid grafting network with feature interaction strategies

显著目标检测旨在识别图像中最吸引人的视觉注意力对象。目前，最先进的显著目标检测方法采用了金字塔嫁接网络架构。然而，金字塔嫁接网络架构仍存在无法准确定位显著目标的问题。我们观察到，这主要是因为当前显著目标检测方法仅聚合不同尺度的特征，忽略了不同尺度特征之间的相关性。为了解决这些问题，我们提出了一种新的显著目标检测框架（FIPGNet），它是一个具有特征交互策略的金字塔嫁接网络。具体而言，我们提出了一种基于注意机制的特征交互策略（FIA），创新地引入了空间代理交叉注意力（SACA）以实现多层特征交互，从空间角度突出重要的空间区域，从而增强显著区域。并使用通道代理交叉注意力模块（CCM）有效地连接由骨干网络提取的特征和使用空间代理交叉注意力模块处理的特征，消除不一致性。最后，在这两个模块的作用下，解决了当前金字塔嫁接网络模型中突出目标定位问题。在六个具有挑战性的数据集上的实验结果表明，所提出的方法在四个指标上优于当前12种显著目标检测方法。

本论文旨在解决显著目标检测中当前模型无法准确定位显著目标的问题，提出了一种新的显著目标检测框架FIPGNet。

该论文的关键思路是采用特征交互策略来增强不同尺度特征之间的相关性，从而提高显著目标的定位精度。具体来说，引入了基于注意力机制的特征交互策略和空间代理交叉注意力模块（SACA）来实现多层次特征交互，以空间视角突出重要的空间区域，从而增强显著区域；同时使用通道代理交叉注意力模块（CCM）有效连接骨干网络提取的特征和使用空间代理交叉注意力模块处理的特征，消除不一致性。

论文在六个具有挑战性的数据集上进行了实验，结果表明该方法在四个指标上优于当前的12种显著目标检测方法。值得关注的是，该论文提出的方法开创性地引入了空间代理交叉注意力模块和通道代理交叉注意力模块，解决了当前金字塔嫁接网络模型中的显著目标定位问题。

最近在该领域的相关研究包括《PiCANet: Learning Pixel-wise Contextual Attention for Saliency Detection》、《Salient Object Detection via Structured Matrix Decomposition》等。