用于显著目标检测的区域细化网络
计算机视觉与模式识别
2022-10-11 v2
摘要
尽管已被深入研究，错误预测与边界不清仍是显著目标检测的主要问题。本文提出一种区域细化网络（RRN），它循环过滤冗余信息并显式建模边界信息以进行显著性检测。与现有细化方法不同，我们提出一个区域细化模块（RRM），通过在中间细化阶段融入有监督的注意力掩码来优化显著区域预测。该模块仅带来模型规模的微小增加，却显著减少了来自背景的错误预测。为进一步细化边界区域，我们提出一种边界细化损失（BRL），它添加额外监督以更好地区分前景与背景。BRL 无参数且易于训练。我们进一步观察到，BRL 通过细化边界有助于保持预测的完整性。在显著性检测数据集上的大量实验表明，我们的细化模块与损失为基线模型带来了显著提升，并可轻松应用于不同框架。我们还证明，所提模型能很好地泛化到人像分割与阴影检测任务。
引用
@article{arxiv.1906.11443,
title = {Region Refinement Network for Salient Object Detection},
author = {Zhuotao Tian and Hengshuang Zhao and Michelle Shu and Jiaze Wang and Ruiyu Li and Xiaoyong Shen and Jiaya Jia},
journal= {arXiv preprint arXiv:1906.11443},
year = {2022}
}
备注
Tech report