基于动态尺度路由的显著性目标检测

近期显著性目标检测（SOD）的研究进展在很大程度上归功于深度学习技术所赋予的日益强大的多尺度特征表示能力。现有的 SOD 深度模型通过现成的编码器提取多尺度特征，并通过各种精细的解码器巧妙地进行融合。然而，这一常用思路中的卷积核尺寸通常是“固定”的。在我们的新实验中，我们观察到在小尺寸显著目标存在的场景中，小尺寸卷积核更受青睐；相反，大尺寸卷积核在包含大尺寸显著目标的图像上表现更好。受此观察启发，本文提出“动态”尺度路由这一全新思路，其将产生一个可直接适配现有特征骨干网络的通用插件。本文的关键技术创新有两点：首先，不同于使用固定卷积核尺寸的普通卷积进行编码器设计，我们提出动态金字塔卷积（DPConv），它针对给定输入动态选择最适宜的卷积核尺寸；其次，我们提供了一种自适应双向解码器设计，以最佳地适配基于 DPConv 的编码器。最显著的亮点在于其能够在特征尺度间进行路由及其动态聚合，使推理过程具备尺度感知能力。因此，本文持续刷新当前 SOTA 性能。代码与数据集均已公开于 https://github.com/wuzhenyubuaa/DPNet。