用于显著目标检测的渐进自引导损失

Sheng Yang; Weisi Lin; Guosheng Lin; Qiuping Jiang; Zichuan Liu

用于显著目标检测的渐进自引导损失

计算机视觉与模式识别 2021-09-08 v2

作者: Sheng Yang , Weisi Lin , Guosheng Lin , Qiuping Jiang , Zichuan Liu

摘要

我们提出一种简洁而有效的渐进自引导损失函数，以促进基于深度学习的图像显著目标检测（SOD）。最具相关性的工作所生成的显著图仍因显著目标的内在复杂性而存在预测不完整的问题。我们提出的渐进自引导损失在模型预测上模拟形态学闭操作，以渐进地创建辅助训练监督来逐步引导训练过程。我们证明，这一新损失函数可引导 SOD 模型逐步高亮更完整的显著目标，同时以区域生长方式帮助揭示显著目标像素的空间依赖关系。此外，提出一种新的特征聚合模块，通过分支注意力机制捕获多尺度特征并自适应聚合。得益于该模块，我们的 SOD 框架利用自适应聚合的多尺度特征有效定位与检测显著目标。在多个基准数据集上的实验结果表明，我们的损失函数不仅在不修改架构的情况下提升了现有 SOD 模型的性能，还助力我们所提框架取得最先进的性能。

关键词

显著目标检测渐进自引导损失深度学习特征聚合分支注意力最先进

引用

@article{arxiv.2101.02412,
  title  = {Progressive Self-Guided Loss for Salient Object Detection},
  author = {Sheng Yang and Weisi Lin and Guosheng Lin and Qiuping Jiang and Zichuan Liu},
  journal= {arXiv preprint arXiv:2101.02412},
  year   = {2021}
}

备注

TIP 2021

用于显著目标检测的渐进自引导损失

摘要

关键词

引用

备注

相关论文