LRNet:用于光场突出物体检测的轻量级以注意力为导向的残留融合网络
Shuai Ma1, Xusheng Zhu2, Long Xu1
1ChengDu Aircraft Industrial (Group) Co., Ltd., Qingyang, Chengdu, 610092, Sichuan, China.
Scientific reports
|October 30, 2024
概括
本研究引入了一种新的轻量级注意力和残余convLSTM网络,用于使用光场成像检测突出物体. 拟议的方法有效地增强和融合特征,在公共数据集上表现优于现有的17种方法.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 光场成像提供丰富的场景结构信息,有利于突出物体检测.
- 将这些信息应用于突出物体检测仍然是一个重大挑战.
研究的目的:
- 通过光场成像,提出一种用于突出物体检测的新型网络.
- 在复杂的场景中提高突出物体检测的准确性和有效性.
主要方法:
- 一个轻量级的基于注意力的特征增强模块 (LFM) 为焦点片生成注意力地图.
- 一个基于convLSTM的残余特征集成模块 (RFM) 融合了来自焦点切片的空间结构信息.
- 该网络结合了LFM和RFM,用于全面的特征处理.
主要成果:
- 拟议的方法通过集中注意力显著增强突出特征.
- 高精度的特征融合是通过利用残留机制和convLSTM来实现的.
- 实验结果表明,在三个公共光场数据集上,17种最先进的方法的性能优于3种最先进的方法.
结论:
- 开发的轻量级注意力和残余convLSTM网络有效地解决了光场突出物体检测方面的挑战.
- 该方法实现了最先进的性能,通过五个定量指标的最高分数来表示.


