用于显著目标检测的标志解耦框架
计算机视觉与模式识别
2020-08-26 v1
摘要
为获得更精确的显著图，近期方法主要关注聚合来自全卷积网络（FCN）的多层级特征，并引入边缘信息作为辅助监督。尽管取得了显著进展，我们观察到像素越靠近边缘越难以被预测，因为边缘像素分布极不均衡。为解决该问题，我们提出一个标签解耦框架（LDF），其由标签解耦（LD）过程和特征交互网络（FIN）组成。LD 显式地将原始显著图分解为主体图和细节图，其中主体图聚焦于物体中心区域，细节图关注边缘周围区域。细节图表现更好，因其涉及比传统边缘监督更多的像素。与显著图不同，主体图丢弃边缘像素而仅关注中心区域，这成功避免了训练期间来自边缘像素的干扰。因此，我们在 FIN 中使用两个分支分别处理主体图和细节图。特征交互（FI）旨在融合这两个互补分支以预测显著图，随后该显著图被用于再次精炼两个分支。这种迭代精炼有助于学习更好的表征和更精确的显著图。在六个基准数据集上的综合实验表明，LDF 在不同评价指标上均优于 SOTA（当前最优）方法。
引用
@article{arxiv.2008.11048,
title = {Label Decoupling Framework for Salient Object Detection},
author = {Jun Wei and Shuhui Wang and Zhe Wu and Chi Su and Qingming Huang and Qi Tian},
journal= {arXiv preprint arXiv:2008.11048},
year = {2020}
}
备注
Accepted by CVPR2020, https://github.com/weijun88/LDF