注意力残差多尺度特征增强的显著性实例分割

显著性实例分割是指分割出图像中最引人注目的实例对象.现有的显著性实例分割方法中存在较小显著性实例不易检测分割,以及较大显著性实例分割精度不足等问题.针对这2个问题,提出了一种新的显著性实例分割模型,即注意力残差多尺度特征增强网络(ARMFE).模型ARMFE主要包括2个模块:注意力残差网络模块和多尺度特征增强模块,注意力残差网络模块是在残差网络基础上引入注意力机制,分别从通道和空间对特征进行选择增强;多尺度特征增强模块则是在特征金字塔基础上进一步增强尺度跨度较大的特征信息融合.因此,ARMFE模型通过注意力残差多尺度特征增强,充分利用多个尺度特征的互补信息,同时提升较大显著性实例对象和较小显著性实例对象的分割效果.ARMFE模型在显著性实例分割数据集Salient InstanceSaliency-1K(SIS-1K)上进行了实验,分割精度和速度都得到了提升,优于现有的显著性实例分割算法MSRNet和S4Net.