Rede Adaptativa de Consistência em Grupo para Detecção de Co-Saliência

A detecção de co-saliência foca em detectar objetos comuns e salientes entre um grupo de imagens. Com a aplicação de aprendizado profundo na detecção de co-saliencia, modelos mais precisos e eficazes são propostos de maneira end-to-end. No entanto, duas grandes desvantagens nesses modelos dificultam a melhoria do desempenho da detecção de co-saliencia: 1) a inferência baseada em uma maneira estática e 2) a quantidade constante de imagens de entrada. Para abordar essas limitações, apresentamos uma nova Rede Adaptativa de Consistência em Grupo (AGCNet) com a capacidade de ajuste adaptativo ao conteúdo para um determinado grupo de imagens com quantidade aleatória de imagens. No AGCNet, primeiro introduzimos priors de intra-saliencia gerados a partir de qualquer modelo de detecção de objeto saliente disponível. Em seguida, um módulo de Consistência em Grupo Adaptativa (AGC) é proposto para capturar a consistência do grupo para cada imagem individual e é aplicado em características de três escalas para capturar a consistência do grupo de diferentes perspectivas. Este módulo é composto por dois componentes-chave, onde o bloco de consistência em grupo adaptativo ao conteúdo quebra as limitações acima para captar adaptativamente a consistência global do grupo com a assistência de priors de intra-saliencia e o bloco de fusão baseado em ranking combina a consistência com atributos individuais de cada característica da imagem para gerar uma característica de consistência de grupo discriminativa para cada imagem. Seguindo os módulos AGC, um Decodificador Agregado especialmente projetado agrega as características de consistência de grupo em três escalas para se adaptar a objetos co-salientes com escalas diversas para detecção preliminar. Finalmente, incorporamos dois decodificadores normais para refinar progressivamente a detecção preliminar e gerar os mapas de co-saliencia finais. Extensos experimentos em quatro conjuntos de dados de referência demonstram que nossa AGCNet alcança desempenho competitivo em comparação com 19 modelos de ponta e os módulos propostos mostram experimentalmente méritos práticos substanciais.