显著性检测2019（ICCV, CVPR）【part-3】

1.《Towards High-Resolution Salient Object Detection》

针对高分辨率显著性检测任务。提供第一个高分辨率显著性检测数据集，同时给出对应网络模型。

网络结构如下：

GSN给出全局的整体预测，主要负责简单部分。LRN针对局部patch, 主要负责修正不确定的子区域。GLFN混合GSN,LRN输出和原始img, 给出最终预测。

（1）GSN（Global Semantic Network）和LRN（Local Refinement Network）网络结构：

（2）APS（Attended Patch Sampling）
在GNS指导下，选择不确定区域，送到LRN模块进一步修正


（3）GLFN（Global Local Fusion Network）

使用密集连接，后接4个空洞卷积扩大感受区域，最后再通过卷积给出最终显著预测图。

2.《Optimizing the F-measure for Threshold-free Salient Object Detection》

将显著性评测指标F-measure 改为loss,用于指导训练，思想简单效果好。
In the standard F-measure, the true positive, false positive
and false negative are defined as the number of corresponding
samples:

˙Y^t is the binary prediction binarized by threshold t and Y is the ground-truth saliency map,1(·) is an indicator function that evaluates to 1 if its argument is true and 0 otherwise.
该形式不可微分，所以不能直接用于网络，于是改进为：

根据precision,recall计算公式：

F-measure 公式为：

所以，FLoss 形式如下：

注意：loss的计算直接用原始saliency map, 不经过阈值二值化，这点和F-measure计算不同。

FLoss的变体 Log-FLoss 形式如下:

相较于交叉熵损失，FLoss 的梯度有限制，有效预防梯度爆炸现象; 在饱和地区，即预测图和Ground Truth 接近时也有一定的梯度产生，更有利于训练，从而给出更优预测图。

代码实现：
引自http://kaizhao.net/fmeasure
In Functional interface:

def floss(prediction, target, beta=0.3, log_like=False):
    EPS = 1e-10
    N = N = prediction.size(0)
    TP = (prediction * target).view(N, -1).sum(dim=1)
    H = beta * target.view(N, -1).sum(dim=1) + prediction.view(N, -1).sum(dim=1)
    fmeasure = (1 + beta) * TP / (H + EPS)
    if log_like:
        floss = -torch.log(fmeasure)
    else:
        floss  = (1 - fmeasure)
    return floss

In Module interface:

from torch import nn
class FLoss(nn.Module):
    def __init__(self, beta=0.3, log_like=False):
        super(FLoss, self).__init__()
        self.beta = beta
        self.log_like = log_like

    def forward(self, prediction, target):
        EPS = 1e-10
        N = prediction.size(0)
        TP = (prediction * target).view(N, -1).sum(dim=1)
        H = self.beta * target.view(N, -1).sum(dim=1) + prediction.view(N, -1).sum(dim=1)
        fmeasure = (1 + self.beta) * TP / (H + EPS)
        if self.log_like:
            floss = -torch.log(fmeasure)
        else:
            floss  = (1 - fmeasure)
        return floss