SalFBNet：通过反馈卷积网络学习伪显著性分布
计算机视觉与模式识别
2022-01-12 v2
摘要
尽管前馈-only 卷积神经网络（CNN）具有显著的表示能力，但其可能忽略显著性检测等视觉任务中反馈连接的内在关系与潜在益处。本文提出一种用于显著性检测的反馈-递归卷积框架（SalFBNet）。所提出的反馈模型通过在高层特征块与低层之间建立递归通路，能够学习丰富的上下文表示。此外，我们构建了一个大规模伪显著性（Pseudo-Saliency）数据集，以缓解显著性检测中的数据匮乏问题。我们首先使用所提出的反馈模型从伪真值中学习显著性分布，随后在现有眼动注视数据集上对反馈模型进行微调。进一步，我们提出了一种新颖的选择性注视与非注视误差（sFNE）损失，使所提反馈模型更好地学习可区分的基于眼动注视的特征。大量实验结果表明，参数更少的 SalFBNet 在公开显著性检测基准上取得了具有竞争力的结果，证明了所提反馈模型与伪显著性数据的有效性。源代码与伪显著性数据集可在 https://github.com/gqding/SalFBNet 获取。
引用
@article{arxiv.2112.03731,
title = {SalFBNet: Learning Pseudo-Saliency Distribution via Feedback Convolutional Networks},
author = {Guanqun Ding and Nevrez Imamoglu and Ali Caglayan and Masahiro Murakawa and Ryosuke Nakamura},
journal= {arXiv preprint arXiv:2112.03731},
year = {2022}
}