HyperFusion-Net：用于显著性目标检测的密集反射融合
计算机视觉与模式识别
2018-04-17 v1
摘要
显著性目标检测 (SOD) 旨在寻找最重要的感兴趣区域并分割该区域内的相关对象/物体，是一项重要且具挑战性的视觉任务。该问题的灵感来源于人类似乎以高优先级感知主要场景元素的事实。因此，在复杂场景中准确检测显著性目标对人机交互至关重要。在本文中，我们提出了一种用于 SOD 的新型特征学习框架，其中我们将 SOD 视为像素级分类问题。所提出的框架利用名为 HyperFusion-Net 的密集层次特征融合网络，以端到端的方式自动预测最重要区域并分割相关对象。具体而言，受人类感知系统和图像反射分离的启发，我们首先通过内容保留变换将输入图像分解为反射图像对。然后，通过交织卷积神经网络 (ICNN) 联合提取反射图像对的互补信息，并通过超密集融合机制进行分层组合。基于融合的多尺度特征，我们的方法最终实现了一种有前景的 SOD 预测方式。正如我们大量实验所示，所提出的方法在七个公开数据集上始终以较大优势优于其他 state-of-the-art 方法。
引用
@article{arxiv.1804.05142,
title = {HyperFusion-Net: Densely Reflective Fusion for Salient Object Detection},
author = {Pingping Zhang and Huchuan Lu and Chunhua Shen},
journal= {arXiv preprint arXiv:1804.05142},
year = {2018}
}
备注
Submmited to ECCV 2018, 16 pages, including 6 figures and 4 tables. arXiv admin note: text overlap with arXiv:1802.06527