基于特征细化网络的显著目标检测

不同的特征学习策略提高了近年来基于深度神经网络的显著目标检测的性能。多尺度学习策略和剩余学习策略是两种多尺度学习策略。但仍存在一些问题，如无法有效利用多尺度特征信息和缺乏精细的目标边界等。我们提出了一种特征精细网络(FRNet)来克服上述问题，其中包括一种新的特征学习策略，该策略结合了多尺度和剩余学习策略来生成最终的显著性预测。我们在主干网侧输出引入空间和通道的“挤压和激励”块(scSE)。它允许网络在不同尺度上更集中于显著性区域。然后，我们提出了自适应特征融合模块(AFFM)，该模块可以有效地融合多尺度特征信息以预测卓越的显著性映射。最后，为了监督网络学习更多的物体边界信息，我们提出了一种混合损耗，它包含四种基本损耗，并结合了不同损耗的性质。综合实验证明了该方法在5个数据集上的有效性，并与其他相关方法进行了比较

我们引入了一个scSE模块来预处理主干网的5个尺度的输出。scSE由通道注意和空间注意两部分组成。它提高了特征在每个尺度上的表示能力，提高了剩余学习策略的有效性。•我们提出了一个AFFM模块，使多尺度信息的整体融合，组成最终的显著性预测。该算法结合了两种多尺度特征融合策略来提高显著性检测性能。•提出了一种混合损耗用于五个尺度的残差学习过程的监督，并用于生成最终的显著性图。它融合了BCE、结构相似度(SSIM)、骰子和交叉联合(IOU)对模型进行局部和全局的训练。