用于显著性目标检测的交叉层特征金字塔网络

基于特征金字塔网络（FPN）的模型以渐进方式融合语义与显著细节，已被证明在显著性目标检测中极为有效。然而，观察到这些模型常因远距离层之间“间接”的信息传播导致融合结构效率降低，而生成具有不完整目标结构或不清晰目标边界的显著图。本工作中，我们提出一种新颖的交叉层特征金字塔网络（CFPN），其启用直接的交叉层通信以改善显著性目标检测中的渐进融合。具体而言，所提网络首先将来自不同层的多尺度特征聚合成可同时获取高层与低层信息的特征图。然后，它将聚合特征分发至所有相关层以获得更丰富的上下文。如此，每层分发到的特征同时拥有来自所有其他层的语义与显著细节，并减少了重要信息的损失。在六个广泛使用的显著性目标检测基准及三种流行骨干网络上充分的实验结果清楚表明，CFPN能准确锁定相当完整的显著区域并有效分割目标边界。