Amulet：聚合多级卷积特征用于显著目标检测

全卷积神经网络（FCNs）在许多密集标注问题中展现出了卓越的性能。这些成功的一个关键支柱是从卷积层的特征中挖掘相关信息。然而，如何更好地聚合多级卷积特征图以用于显著目标检测仍待深入探索。在本工作中，我们提出了 Amulet，一个用于显著目标检测的通用聚合多级卷积特征框架。我们的框架首先将多级特征图整合为多个分辨率，同时结合了粗略的语义和精细的细节。然后，它自适应地学习在每个分辨率上组合这些特征图，并利用组合后的特征预测显著图。最后，预测结果被高效融合以生成最终的显著图。此外，为了实现准确的边界推断和语义增强，低层中的边缘感知特征图和低分辨率特征的预测结果被递归地嵌入到学习框架中。通过以这种高效且灵活的方式聚合多级卷积特征，所提出的显著性模型提供了准确的显著目标标注。综合实验表明，在几乎所有比较的评估指标上，我们的方法均优于 SOTA 方法。