SRN：用于物体反射对称检测及更广泛应用的外侧输出残差网络

本文中，我们通过提出一个新基准与端到端深度学习方法，建立了复杂背景下物体反射对称检测的基线，为自然场景中的对称检测开辟了有前景的方向。新基准 Sym-PASCAL 涵盖了物体多样性、多物体、部件不可见以及各种复杂背景等挑战，远超现有数据集中的情形。该端到端深度学习方法称为外侧输出残差网络（SRN），利用输出残差单元（RUs）来拟合物体真值对称与多阶段外侧输出之间的误差。通过以由深至浅方式级联 RUs，SRN 利用多阶段间误差的“流”来解决以有限卷积层拟合复杂输出、抑制复杂背景以及在不同尺度上有效匹配物体对称的挑战。SRN 进一步升级为多任务外侧输出残差网络（MT-SRN）以联合对称与边缘检测，展示了其对图像到掩码学习任务的通用性。实验结果验证了 Sym-PASCAL 基准与真实世界图像相关的挑战性方面，以及所提 SRN 方法的当前最优性能。