复现Deeply Supervised Salient Object Detection with Short Connections过程（附tensorflow+python代码）

趁着周末，把自己上周复现的paper CVPR 2017 “Deeply Supervised Salient Object Detection with Short Connections”写下来，以便以后加深影像。

数据部分来自于项目的数据，所以并没有用论文中的原始数据测试和论文中的结果的差别。我会在文章结尾放出github地址，如果大家有兴趣，可以去跑一下论文里面的数据看看。

主要是基于HED做的改进，加入了short connections，即：将小的输出上采样到和上几层输出相同的尺寸，然后进行拼接

loss部分：五个side output的输出loss，和fusion的loss进行加和，然后在我的项目中，经过测试，发现第一层的loss对结果的影响较大，所以我刻意的调高了第一层的权重占比

论文复现过程中的疑问：

1. 训练mini batch的size
2. 数据增强技巧，crop的安全性是怎么解决的？因为以unknown region为中心随机crop，很可能会出现crop超出边界的情况。
3. 在网络结构上是否有其他技巧，比如PReLU，batch_normalization等。

github：https://github.com/gbyy422990/salience_object_detection