分析显著性目标检测--A Mutual Learning Method for Salient Object Detection with intertwined Multi-Supervision

分析显著性目标检测–A Mutual Learning Method for Salient Object Detection with intertwined Multi-Supervision

本文是在阅读A Mutual Learning Method for Salient Object Detection with intertwined Multi-Supervision后浅谈对于此模型方法的理解，做出部分解读，若有地方理解不对，欢迎提出批评与指正！

文章目录

1.摘要
2.相关工作

• 集成层次特征
• 利用边缘信息
  3.方法解析
• 体系结构概述
• 交织监督方式
• 训练策略
  4.实验解析
• 数据集
• 实现细节
• 性能比较
• 消融实验
• 边缘检测
  5.总结

摘要与背景

显著目标检测是将给定图像中最具特色的目标区域分割出来，是完成图像字幕、视觉跟踪、视觉答疑、人物重新识别等视觉任务的重要预处理步骤。
前景轮廓检测（foreground contour detection）：指在包含目标和背景的数字图像中，忽略背景和目标内部的纹理以及噪声干扰的影响，采用一定的技术和方法来实现目标轮廓提取的过程。它是目标检测、形状分析、目标识别和目标跟踪等技术的重要基础。
边缘检测：边缘检测的目的是标识数字图像中亮度变化明显的点。
现存方法的缺陷：由于对象内部的复杂性以及卷积和池化操作的跨步导致的边界不准确，预测的显著性映射仍然存在预测不完全的问题。该缺陷从下图可以看出：

提出的新方法：1.我们以一种交织的方式利用显著对象检测和前景轮廓检测任务来生成具有统一高亮的显著性地图;2.前景轮廓和边缘检测任务同时引导，从而实现前景轮廓的精确预测，减少边缘预测的局部噪声;3.我们开发了一个新的互学习模块(MLM)作为我们的方法的基石。每个MLM由多个网络分支机构组成，通过相互学习的方式进行培训，大大提高了MLM网络的性能;
1.首先，我们采用突出物检测和前景轮廓检测相互交织的方式，以产生完全均匀高亮的显著性地图。这两个任务是高度相关的，因为它们都要求精确的前景检测。然而，在显著性检测涉及密集标记的场景中，它们也是不同的。(如“填充”物体内部区域)，更容易受到突出物体内部复杂性的影响，导致前景突出不均匀。相比之下，在给定前景对象的粗略位置后，可以根据低层次线索(如边缘和纹理)“提取”前景轮廓。因此，轮廓检测任务对物体内部结构的鲁棒性更强，但可能会被物体轮廓周围丰富的边缘信息所误导。
2.其次，为了缓解预测显著性地图中的模糊边界问题，提出了利用边缘检测任务的辅助监督来改进前景轮廓检测。为此，我们设计了一个边缘模块，并与我们的骨干网共同训练。边缘模块以主干网络的显著性特征作为输入，在这些显著性特征中编码语义信息，可以有效地抑制局部边缘的噪声。同时，边缘模块提取的边缘特征作为前景轮廓检测的附加输入，保证了低层次线索的检测结果更加准确。
3.第三，为了进一步提高性能，我们借鉴深度互学习(DML)的成功经验，提出了一种新的互学习模块(MLM)。MLM建立在我们的骨干网络的每个块上，并由多个子网组成，这些子网被训练在模仿的模仿策略，产生额外的性能增益;

相关工作（Related work）

有效地利用空间细节和语义信息是实现最先进的显著目标检测性能的关键因素。大多数现有的方法使用跃连接或递归结构来整合卷积神经网络(CNNs)的层次特征。它们可以