基于相互学习的显著物体检测方法——多重监督交织版

尽管深度学习技术在显著物体检测领域取得了显著进展，但预测的显著性图仍因对象内部的复杂性以及由卷积和池化操作导致的边界不准确而存在不完整预测的问题。为缓解这些问题，我们提出了通过不仅利用显著物体检测监督，还利用前景轮廓检测和边缘检测来训练显著物体检测网络的方法。首先，我们以交织方式利用显著物体检测和前景轮廓检测任务，以生成统一高亮的显著性图。其次，前景轮廓和边缘检测任务相互指导，从而实现精确的前景轮廓预测，并降低边缘预测的局部噪声。在此基础上，我们开发了一种新型相互学习模块(MLM)，作为我们方法的构建模块。每个MLM由多个以相互学习方式训练的网络分支组成，从而显著提高了性能。在七个具有挑战性的数据集上的大量实验表明，所提出的方法在显著物体检测和边缘检测方面均达到了最先进的结果。