LASFNet: Una red ligera de fusión de características de auto-modulación guiada por atención para la detección de...

Área de la Ciencia:

• Visión por Computadora
• Aprendizaje Profundo
• Aprendizaje Automático

Sus antecedentes:

• La detección multimodal de objetos requiere una extracción de características profundas efectiva.
• Los métodos anteriores enfrentan una alta sobrecarga computacional debido a estrategias de fusión complejas.

Objetivo del estudio:

• Proponer una red ligera para la detección multimodal de objetos eficiente y precisa.
• Simplificar el proceso de entrenamiento reduciendo el número de unidades de fusión.

Principales métodos:

• Introducción de la red ligera de fusión de características de auto-modulación guiada por atención (LASFNet).
• Empleo de una única unidad de fusión de características con un módulo de fusión de características de auto-modulación guiada por atención (ASFF).
• Integración de un módulo de transformación de atención de características (FATM) para mejorar el enfoque de las características.

Principales resultados:

• LASFNet logra una favorable relación eficiencia-precisión.
• Reducción de parámetros hasta en un 90% y costo computacional en un 85% en comparación con métodos de vanguardia.
• Mejora de la precisión media promedio (mAP) en un 1%-3%.

Conclusiones:

• LASFNet ofrece una solución computacionalmente eficiente para la detección multimodal de objetos.
• El diseño de red propuesto permite una detección de alto rendimiento con una complejidad reducida.
• El enfoque demuestra mejoras significativas tanto en eficiencia como en precisión.