用于显著目标检测的更丰富更深监督网络
计算机视觉与模式识别
2019-01-09 v1
摘要
近期的显著目标检测（SOD）系统大多基于卷积神经网络（CNNs）。具体而言，深度监督显著性（DSS）系统已表明，向网络添加短连接并在侧输出上进行监督是非常有用的。在本工作中，我们提出了一种新的 SOD 系统，旨在设计一种更高效且有效的方式来回传全局信息。更丰富更深监督（RDS）被应用于更好地组合来自每个侧输出的特征，而不需要太多额外的计算空间。同时，用于 SOD 的主干网络通常在目标分类数据集 ImageNet 上预训练。但预训练模型是在裁剪后的图像上训练的，以便仅关注目标区域内的区分性特征。但被忽略的背景信息在 SOD 任务中同样重要。我们尝试通过引入为目标检测设计的训练数据来解决此问题。在 SOD 数据集上训练之前，基于带有边界框的整幅图像学习一个粗粒度全局信息。大规模目标图像可以轻微提升 SOD 的性能。我们的实验表明所提出的 RDS 网络在五个公开 SOD 数据集上取得了最先进（SOTA）结果。
引用
@article{arxiv.1901.02425,
title = {Richer and Deeper Supervision Network for Salient Object Detection},
author = {Sen Jia and Neil D. B. Bruce},
journal= {arXiv preprint arXiv:1901.02425},
year = {2019}
}