用于显著目标检测的多尺度交互网络
计算机视觉与模式识别
2020-07-20 v1
摘要
基于深度学习的显著目标检测方法取得了巨大进展。然而，显著目标尺度多变且类别未知始终是巨大挑战。这些挑战与多层次、多尺度特征的利用密切相关。本文中，我们提出聚合交互模块来整合相邻层级的特征，由于仅使用较小的上/下采样率，因而引入了更少的噪声。为从整合特征中获取更高效的多尺度特征，我们在每个解码单元中嵌入了自交互模块。此外，由尺度变化引起的类不平衡问题削弱了二元交叉熵损失的效果，并导致预测的空间不一致性。因此，我们采用一致性增强损失来突出前景/背景差异并保持类内一致性。在五个基准数据集上的实验结果表明，所提方法无需任何后处理即可优于 23 种最先进的方法。源代码将公开于 https://github.com/lartpang/MINet。
引用
@article{arxiv.2007.09062,
title = {Multi-scale Interactive Network for Salient Object Detection},
author = {Youwei Pang and Xiaoqi Zhao and Lihe Zhang and Huchuan Lu},
journal= {arXiv preprint arXiv:2007.09062},
year = {2020}
}
备注
Accepted by CVPR 2020