摘要

深度神经网络已成为特征提取的默认选择，广泛应用于计算机视觉任务中。当前主流方法通常以统一分辨率一次性处理所有输入，并一次性完成全部预测。然而，人类视觉是一种“主动”过程，不仅能够主动在视觉场内切换关注焦点，还能在这些焦点周围施加空间上可变的注意力。为弥合这一差距，我们提出引入具有生物合理性的中央凹机制（foveation）与扫视机制（saccades），构建一种主动目标定位框架。其中，中央凹机制使模型能够以不同程度的细节处理输入的不同区域，而扫视机制则允许模型动态调整这些聚焦区域的中心位置。实验结果表明，这些机制能够显著提升预测边界框的质量：在充分捕捉物体所有关键部分的同时，有效抑制冗余的背景干扰。此外，该方法在仅使用每张图像包含单一物体的数据进行训练的情况下，仍具备检测多个物体的鲁棒性。最后，我们通过经典的“鸭兔错觉”（duck-rabbit optical illusion）探讨了该方法与人类感知的一致性。代码已开源，地址为：https://github.com/TimurIbrayev/FALcon。