用于显著目标检测的联合深度特征与预测精炼的结构化建模
计算机视觉与模式识别
2019-09-11 v1
摘要
近期显著性模型广泛探索从卷积神经网络（CNNs）中融入多尺度上下文信息。除直接融合策略外，许多方法引入消息传递以增强 CNN 特征或预测。然而，消息主要通过两种方式传输：特征到特征传递，以及预测到预测传递。本文中，我们在特征与预测间增加消息传递，并提出深度统一 CRF 显著性模型。我们设计了一种新颖的级联 CRFs 架构与 CNN 结合，以在各尺度联合精炼深度特征与预测，并渐进计算最终精炼显著性图。我们构建了涉及从粗尺度到细尺度的特征-特征、特征-预测和预测-预测消息传递的 CRF 图模型，以更新特征及相应预测。同时，我们通过反向传播制定了联合端到端 CNN 模型训练的均值场更新。所提深度统一 CRF 显著性模型在六个数据集上评估，展现出优于现有 SOTA 方法的极强竞争力。
引用
@article{arxiv.1909.04366,
title = {Structured Modeling of Joint Deep Feature and Prediction Refinement for Salient Object Detection},
author = {Yingyue Xu and Dan Xu and Xiaopeng Hong and Wanli Ouyang and Rongrong Ji and Min Xu and Guoying Zhao},
journal= {arXiv preprint arXiv:1909.04366},
year = {2019}
}
备注
Accepted to ICCV