Randgeführtes nicht-lokales vollständig konvolutionales Netzwerk zur Erkennung auffälliger Objekte

Das vollständig konvolutionale neuronale Netzwerk (FCN) wurde kürzlich aufgrund der Extraktion hochgradiger semantischer Merkmale weitgehend zur Erkennung auffälliger Objekte eingesetzt, leidet jedoch weiterhin unter kontinuierlichen Schrittmuster- und Pooling-Operationen, die zu einem Verlust der räumlichen Struktur und unscharfen Kanten führen. Um die klare Kantenstruktur auffälliger Objekte zu bewahren, schlagen wir ein neuartiges randgeführtes nicht-lokales FCN (ENFNet) vor, das randgeführtes Merkmalslernen für eine präzise Erkennung auffälliger Objekte ermöglicht. Insbesondere extrahieren wir hierarchische globale und lokale Informationen im FCN, um nicht-lokale Merkmale für effektive Merkmalsdarstellungen zu integrieren. Um die guten Grenzen auffälliger Objekte zu bewahren, schlagen wir einen Leitblock vor, um Randvorwissen in hierarchische Merkmalskarten einzubetten. Der Leitblock führt nicht nur merkmalweise Manipulationen durch, sondern auch raumweise Transformationen für effektive Rand-Einbettungen. Unser Modell wird auf dem MSRA-B-Datensatz trainiert und an fünf gängigen Benchmark-Datensätzen getestet. Im Vergleich zu den neuesten Methoden zeigt das vorgeschlagene Verfahren auf fünf Datensätzen gute Ergebnisse.