ICCV 2019 | 可选择性与不变性：关注边界的显著性目标检测

作者丨文永亮

学校丨哈尔滨工业大学（深圳）硕士生

研究方向丨目标检测、GAN

概要

上一次我们介绍了 CVPR 2019 的 BASNet，CVPR 2019 的那篇 BASNet 主要通过引入结构相似性损失使网络更关注边界。这次的 ICCV 2019 有一篇“撞车”论文，可选择性与不变性之关注边界的显著性目标检测（文中称其网络为 BANet），是北航、北大和深圳鹏城实验室的文章。

其实比引入关注边界的 loss 更加暴力，它的亮点就在于直接增加一条分支网络提取预测边界，后面结合显著性目标的内部共同组成特征做监督训练。在效果方面其实两篇关注边界的都相差不大，MAE 方面似乎 BANet 要比 BASNet 低一点，但是 Fβ 的评价下，BASNet 要比 BANet 要高一点。

两个问题

▲ Fig 1. 不同区域的显著性检测需要不同的特征

SOD（Salient Object Detection）是关于人眼注意的显著性物体的任务，存在着两个问题：

• 一个大的显著性物体内部存在很大的外观变化导致很难当做一个完整的物体，如 Fig1 中的 (a) 和 (b)；

• 显著性物体的边界很混杂很难从周围背景中分辨出来，如 Fig1 的 (c) 和 (d)。

其实这就关系到了一个 Selectivity-Invariance dilemma，就是可选择性与不变性的困境，用传统的分类任务来理解，就是同一只狗在不同背景下差别很大，而在相同背景下狗和狼的差异不大，想要把前一组图片中的狗放在一个类别，就是 Selectivity-Invariance dilemma。

这时候的解决方法就是需要一组特征，能够选择性的响应图片中的重要部分，而对图片中的不重要部分的变化保持不变性。这对特征的划分要求很高，如果想让网络完全学出来响应变化可能会导致网络十分敏感，对不重要部分变化（如背景的改变）产生很大反应。

模型架构

▲ Fig 2. BANet 的网络结构