基于深度模型的显著性目标检测基准评测
计算机视觉与模式识别
2022-02-08 v1
摘要
近年来，基于深度网络的方法不断刷新显著性目标检测（SOD）任务上的最优性能。然而，不同实现细节导致的性能差异可能掩盖该任务中的真实进展。未来的研究需要进行公正的比较。为满足这一需求，我们构建了一个通用的SALient Object Detection（SALOD）基准，对若干代表性SOD方法进行全面比较。具体而言，我们使用一致的训练设置重新实现了14种代表性SOD方法。此外，我们的基准中设置了两个额外协议，以研究现有方法在一些受限条件下的鲁棒性。在第一个协议中，我们扩大训练集与测试集的目标性分布差异，以评估这些SOD方法的鲁棒性。在第二个协议中，我们构建多个不同规模的训练子集，以验证这些方法是否能仅从少量样本中抽取判别性特征。在上述实验中，我们发现现有损失函数通常专攻某些指标，但在其他指标上报告较差结果。因此，我们提出一种新颖的边缘感知（EA）损失，通过融合像素级与图像级监督信号，促使深度网络学习更具判别性的特征。实验证明，与现有损失相比，我们的EA损失表现出更鲁棒的性能。
引用
@article{arxiv.2202.02925,
title = {Benchmarking Deep Models for Salient Object Detection},
author = {Huajun Zhou and Yang Lin and Lingxiao Yang and Jianhuang Lai and Xiaohua Xie},
journal= {arXiv preprint arXiv:2202.02925},
year = {2022}
}
备注
24 pages