通过高到低层次上下文聚合的显著目标检测
计算机视觉与模式识别
2019-04-02 v2
摘要
显著目标检测近期的进展主要致力于探索如何有效整合卷积神经网络(CNN)中的卷积侧输出特征。基于此，现有多数最先进(state-of-the-art)显著性检测器设计复杂网络结构以融合骨干特征提取网络的侧输出特征。然而，为了精确的显著目标检测，融合策略是否应越来越复杂？本文中，我们观察到自然图像的上下文可通过侧输出卷积特征的高到低自学习来良好表达。众所周知，图像的上下文通常指全局结构，而 CNN 的顶层通常学习传达全局信息。另一方面，中间侧输出特征难以表达上下文信息。此处，我们设计了一个带中间监督的沙漏网络，以高到低方式学习上下文特征。所学层次化上下文被聚合以生成输入图像的混合上下文表达。最终，混合上下文特征可用于精确的显著性估计。我们在六个具挑战性的显著性数据集上广泛评估了我们的方法，且这一简单方法在各种评价指标下取得了最先进(state-of-the-art)性能。代码将在论文录用后发布。
引用
@article{arxiv.1812.10956,
title = {Salient Object Detection via High-to-Low Hierarchical Context Aggregation},
author = {Yun Liu and Yu Qiu and Le Zhang and JiaWang Bian and Guang-Yu Nie and Ming-Ming Cheng},
journal= {arXiv preprint arXiv:1812.10956},
year = {2019}
}
备注
We made a significant change and re-submitted as "DNA: Deeply-supervised Nonlinear Aggregation for Salient Object Detection", arXiv:1903.12476