Iccv 2019之显著性检测：EGNet: Edge Guidance Network for Salient Object Detection

EGNet: Edge Guidance Network for Salient Object Detection
Jia-Xing Zhao, Jiang-Jiang Liu, Deng-Ping Fan, Yang Cao, Ju-Feng Yang, Ming-Ming Cheng

简述：
本文是将提取显著物体结构特征和提取显著边缘特征相互融合互补，来实现显著图像检测及图像提取，并利用loss函数对边缘信息进行处理(如IoU loss, SSIM loss)。


当前，对于显著性检测问题，多为U-Net shape或U-Net shape，Loss函数选取交叉熵进行图像检测，但是其局部边缘的缺失问题一直以来没有很好的改善，本文提出的EGNet，显式地利用边缘信息，然后用边缘信息的特征融合入Salient Object部分，已达到截止当前为效果最好的显著性图像检测结果。

模型：

EGNet网络，该网络由三个部分组成，NLSEM（边缘提取模块）、PSFEM（目标特征提取模块）、O2OGM（一对一指导模块），原始图片通过两次卷积输出图片边缘信息，与此同时，对原始图像进行更深层次的卷积操作提取salient object，让后将边缘信息与不同深度提取出来的显著目标在一对一指导模块中分别FF（融合），再分别经过卷积操作得到不同程度的显著性图像，最终输出了一张融合后的显著性检测图像。

成果：
本文的数据集采用ECSSD、PASCAL-S、DUT-O、HKU-IS、SOD、DUTS-TE，检测指标为：
MaxF：

MAE：

S：

实验采用VGG和RES两种网络、6个不同的数据集分别进行测试，可以由上表得出，文中提出的RSNet综合性能最优。

消融实验：

模型1 ：仅有U-NET网络，LOSS采用交叉熵
模型2 ：加入边缘信息，取conv3-3的信息为edge的高层信息
模型3 ：加入边缘信息，取conv6-3的信息为edge的高层信息
模型4 ：加入边缘信息，取conv6-3的信息为edge的高层信息，LOSS采用IOU LOSS
模型5 ：MSEM+PSFEM
模型6 ：MSEM+PSFEM+OTO,完整的EGNet网络
结论，在加入边缘信息以及融合操作会提高系统性能，但在网络的末端加入一个IOU损失来惩罚边缘的错误会降低系统部分性能。