这里写目录标题
摘要
提出问题:
- 目前的方法采用了特征聚集技术,能够准确地找到突出的目标,但往往不能精确地分割出边界完整的目标,特别是边界狭窄的目标。
- 一般全卷积框架的不完善之处在于存在尺度空间问题,跨行和汇聚操作导致了关键细节(低层次的视觉线索)的丢失,这些细节无法通过上采样操作重建。
提出方法:提出了一种基于边界感知的突出目标检测网络,该网络不需要任何代价高昂的后处理。首先,我们在编码器网络的顶部实现了一个全局感知模块(GPM)来生成一个低分辨率的显著性图来粗略地捕获显著性目标。在此基础上,我们引入了关注反馈模块(AFMs),该模块通过采用每个编码器块和相应的解码器块来细化粗阶预测。AFMs有助于捕获目标的整体形状。此外,边界增强损失(BEL)——用来产生精致的边界——被用来帮助学习对物体轮廓的显著性预测。该模型具有学习生成精确、结构完整的突出目标检测结果的能力,同时不需要后处理就可以清晰地分割出目标的轮廓。
引入
显著目标检测:目标是识别图像中视觉上有区别的区域或对象,然后对目标进行分割。
图像语义分割(semantic segmentation),从字面意思上理解就是让计算机根据图像的语义来进行分割,例如让计算机在输入下面左图的情况下,能够输出右图。分割的意思是从像素的角度分割出图片中的不同对象,对原图中的每个像素都进行标注,比如右图中粉红色代表人,绿色代表自行车:
全卷积神经网络:关于全卷积神经网络的知识,可以在以下链接了解:
链接: link.
交叉熵损失: