# ADNet: An Asymmetric Dual-Stream Network for RGB-T Salient Object Detection

## 1. ABSTRACT
* 使用新創的網路架構處理RGB與thermal的圖片，將重點區域利用二值化的方式提取出來。
* 效果如下:

## 2. INTRODUCTION
* 使用==Swin Transforme==處理rgb影像
* 使用[MobileVit](https://arxiv.org/abs/2110.02178)和[MobileNet V2](https://arxiv.org/abs/1801.04381)處理thermal影像
* MobileVit:
* MobileNet V2:

* 提出==Channel-Spatial Interaction (CSI) module==處理前兩個階段的跨modality資訊交流
* 提出==Self-Attention Enhancement (SAE) module==處理後續的特徵增強

## 3. METHOD
* 網路架構圖:

* 說明:
1. 會想要使用Swin Transforme處理rgb，還有利用MobileVit處理thermal是經過下列實驗得出的。作者發現==MobileVit比較會去關注low-level的特徵，而Swin Transforme比較會去關注high-level的特徵==

2. Channel-Spatial Interaction Module(CSI):
* 架構圖:
* 公式:

* Spatial Attention:

* 主要用於fuse兩種modality的future (在進行CSI前，會先將rgb和thermal的所有特徵圖經過一個1x1的Conv轉換到64 channels)

3. Self-Attention Enhancement Module(SA):
* 一般的Transformer

4. Loss:
* 將Label先進行前處理，==讓rgb負責預測物體的內容，讓thermal負責預測物體的輪廓==
* 公式:

## Question:
1. 在一開始的Abstract介紹CSI的時候，是說要處理前兩個stage而已，但是在Method介紹CSI時卻又說是所有stage都要經過這個CSI?
2. 圖3在介紹實驗結果時，有講到MobileVit比較會去關注low-level的特徵，而Swin Transforme比較會去關注high-level的特徵，但是這沒有很好的解釋為甚麼要這樣設計網路
3. 圖3的實驗為甚麼沒有包含rgb使用MobileVit結合thermal使用Swin?