用于显著性目标检测的渐进特征打磨网络
计算机视觉与模式识别
2019-11-15 v1 机器学习
机器学习
摘要
特征对于显著性目标检测至关重要。现有方法主要关注设计复杂的结构以融合多级特征并滤除杂乱特征。我们提出渐进特征打磨网络（PFPN），一种简单而有效的框架，用于逐步打磨多级特征使其更准确且更具代表性。通过在递归方式中采用多个特征打磨模块（FPMs），我们的方法能够在无任何后处理的情况下检测出具有精细细节的显著性目标。FPM通过直接融合所有更高层上下文信息来并行更新每一层的特征。此外，它能保持特征图的维度和层次结构，这使其能灵活地与任何基于CNN的模型集成。实证实验表明，随着FPM数量的增加，我们的结果单调变好。无需额外技巧，PFPN在五个基准数据集上于多种评价指标下显著优于最先进的方法。
引用
@article{arxiv.1911.05942,
title = {Progressive Feature Polishing Network for Salient Object Detection},
author = {Bo Wang and Quan Chen and Min Zhou and Zhiqiang Zhang and Xiaogang Jin and Kun Gai},
journal= {arXiv preprint arXiv:1911.05942},
year = {2019}
}
备注
Accepted by AAAI 2020