论文阅读：Gradient-Induced Co-Saliency Detection（ECCV2020）

ECCV 2020 paper

github代码https://github.com/zzhanghub/gicd论文主要工作：

针对协同显著性检测问题，提交检测精度。

方法：首先，我们对一组图像在高维嵌入空间中抽象出其一致特征表示，一旦获得一致表示，我们提出了梯度诱导模块(Gradient Inducing Module, GIM)来模仿人类行为，将特定场景与一致描述进行比较，以反馈匹配信息。

为了更好地评价Co-SOD方法在多个前景中发现共同显著目标的能力，在一个评价数据集中，除共同显著目标外，大多数图像都应该包含至少一个不相关的显著前景。从图3可以看出，目前的CoSOD数据集忽略了这一点[2,11,45,51]。为了缓解这个问题，我们精心构造了一个更具挑战性的数据集，名为公共类别聚合(Common Category Aggregation, CoCA)。

在GIM中，可以首先度量单图表示和一致表示之间的相似性。高层卷积层的卷积核代表不同的语义，我们可以找出与图像组公共特征比较相关的卷积核，对其进行增强，从而检测出共同显著目标。 by partially back-propagating ,我们计算相对于顶层卷积层的相似度梯