基于并行子网络的递归多模型互补深度融合用于鲁棒显著性目标检测
计算机视觉与模式识别
2020-08-11 v1 机器学习
摘要
全卷积网络在显著性目标检测（SOD）领域已展现出卓越性能。最先进（SOTA）方法趋于更深且更复杂，这容易使其学到的深度特征同质化，导致明显的性能瓶颈。与传统的“更深”方案形成鲜明对比，本文提出一种“更宽”的网络架构，由具有完全不同网络架构的并行子网络组成。如此，经这两个子网络获得的深度特征将呈现较大多样性，具备相互互补的巨大潜力。然而，较大多样性易引发特征冲突，因此我们采用密集短连接实现并行子网络间的递归交互，以追求多模型深度特征间的最优互补状态。最终，所有这些互补的多模型深度特征将被选择性融合，以实现高性能显著性目标检测。在多个著名基准上的大量实验清晰地证明了所提更宽框架的优越性能、良好泛化能力与强大学习能力。
引用
@article{arxiv.2008.04158,
title = {Recursive Multi-model Complementary Deep Fusion forRobust Salient Object Detection via Parallel Sub Networks},
author = {Zhenyu Wu and Shuai Li and Chenglizhao Chen and Aimin Hao and Hong Qin},
journal= {arXiv preprint arXiv:2008.04158},
year = {2020}
}