基于全局上下文增强特征融合与边缘加权损失的显著性检测
计算机视觉与模式识别
2021-10-14 v1
摘要
基于 UNet 的方法在显著目标检测（SOD）中表现出优异性能，但在两方面存在问题。1）不加区分地整合编码器特征（包含多个目标的空间信息）与解码器特征（包含显著目标的全局信息），可能将非显著目标的不必要细节传递给解码器，阻碍显著性检测。2）为处理模糊的目标边界并生成准确的显著性图，模型需要额外的分支（如边缘重建），导致计算成本增加。为解决这些问题，我们提出上下文融合解码器网络（CFDN）与近边缘加权损失（NEWLoss）函数。CFDN 通过整合全局上下文信息从而抑制不必要空间信息的影响，生成准确的显著性图。NEWLoss 通过在目标边界上生成权重图，无需额外模块即可加速对模糊边界的学习。我们的方法在四个基准上进行了评估并取得了最先进的性能。我们通过对比实验证明了所提方法的有效性。
引用
@article{arxiv.2110.06550,
title = {Saliency Detection via Global Context Enhanced Feature Fusion and Edge Weighted Loss},
author = {Chaewon Park and Minhyeok Lee and MyeongAh Cho and Sangyoun Lee},
journal= {arXiv preprint arXiv:2110.06550},
year = {2021}
}
备注
4 pages, 5 figures