A1: CVPR2019 A Simple Pooling-Based Design for Real-Time Salient Object Detection

A Simple Pooling-Based Design for Real-Time Salient Object Detection

该文章来自于2019CVPR . https://arxiv.org/abs/1904.09569
code:http://mmcheng.net/poolnet/
文章的主要亮点在于构建了两个基于池化的多尺度有效特征提取融合模块.
在FPA 的基础上,为了给不同特征层提供尽可能完备的信息在其从底至上的路径上添加了一个全局引导模块(GGM),从而使得各种尺度的低层语义信息能够无缝的融合.同时在自上而下的路径上.作者加入了一个特征提取融合模块(FAM),更好的将底层语义信息与高层语义信息进行了融合.从而是的所得到的显著图具有更为丰富的细节特征.
下图是整个模型的结构:
从上图我们可以看出,整个网络模型是一个基于特征金字塔的类似于U形的结构.其中在编码阶段后作者加入了所提的GGM 模块,这个模块主要是通过一个金字塔池化模型来提取更为丰富的特征,并将其通过不同倍率的上采样与解码阶段中的递级恢复的信息以及来自编码阶段的低层语言信息融合(此处采用的是一个相加再卷积的操作)从而缓解Unet所带来的特征丢失问题.
同时作者在解码阶段采用了一个特征聚合模块(FAM)*来有效的对三种特征进行有效的融合利用,来解决不同模块路径特征图之间的尺度差异问题,有效的降低了上采样的重叠效应,更好的传递丰富的语义信息.
除此之外,针对物体模糊的边界会极大的影响整个网络的学习问题,在整个网络架构之中加入了边界监督机制.通过联合边界检测来更好的促进网络学习.

网络学习结果:
量化结果: