显著性目标检测之A Simple Pooling-Based Design for Real-Time Salient Object Detection
文章目录 摘要 网络概述 网络模型分析 Global Guidance Module Feature Aggregation Module 与边缘检测共同训练 实验结果 烧蚀研究 与卓越方法的对比 总结 摘要 文章的主旨为 扩大池在卷积神经网络中的作用来解决突出目标检测的问题 ；根据此立意，作者提出了一下方法： 在u形结构的基础上，首先在自底向上的路径上构建了一个全局引导模块(GGM)，目的是在不同的特征层上提供潜在显著目标的位置信息； 进一步设计了一个特征聚合模块(FAM)，使粗级语义信息与自顶向下路径的细级特征很好地融合 网络概述 以往模型存在的问题： 在u形结构中，高级语义信息被逐步传输到较浅的层次，因此较深层次捕获的位置信息可能同时被逐渐稀释； CNN的可接受区域大小与它的层深度并不成正比； 作者主要扩大池化层在U-Net中的作用来解决以上问题，下图为 首先，此模块是建立在FPN的基础上包括一下两个模块（关于PFN： FPN ） GGM (蓝色部分为GGM模块)由金字塔池模块(PPM)的修改版本和一系列全局引导流(GGFs)组成；GGM是一个独立的结构，PPM放置在主干的顶部，以捕获全球指导信息；通过引入GGF, PPM收集到的高级语义信息可以被传递到所有金字塔级别的特征地图上， 弥补了u形网络自上而下信号逐渐被稀释的缺陷 解决了问题1 。 特征聚合模块 (FAM：图中‘A