CAGNet：用于显著目标检测的内容感知引导
计算机视觉与模式识别
2020-04-07 v2
摘要
得益于全卷积神经网络（FCNs），显著性检测方法已取得可喜结果。然而，在复杂场景中学习用于检测显著物体的有效特征仍具挑战性，其中 i) 非显著区域可能具有“类显著”外观；ii) 显著物体可能包含不同外观的区域。为处理这些复杂场景，我们提出一个特征引导网络，利用低层与高层特征的本质来 i) 使前景与背景区域更可分并抑制具有“类显著”外观的非显著区域；ii) 为不同外观的显著区域分配前景标签。此外，我们对每一抽象层级使用多尺度特征提取模块（MFEM）以获取多尺度上下文信息。最后，我们设计了一种优于广泛使用的交叉熵损失的损失函数。通过采用四种不同的预训练模型作为骨干，我们证明我们的方法对骨干模型的选择具有很强通用性。在五个具挑战性数据集上的实验表明，我们的方法在不同评价指标下均达到 SOTA 性能。此外，我们的方法参数量少于现有方法，无需任何后处理，且在处理 480 x 480 图像时以 28 FPS 的实时速度快速运行。
引用
@article{arxiv.1911.13168,
title = {CAGNet: Content-Aware Guidance for Salient Object Detection},
author = {Sina Mohammadi and Mehrdad Noori and Ali Bahri and Sina Ghofrani Majelan and Mohammad Havaei},
journal= {arXiv preprint arXiv:1911.13168},
year = {2020}
}
备注
25 pages, 10 figures, 5 tables, Accepted by Elsevier, Pattern Recognition