分析显著性目标检测之Attentive Feedback Network for Boundary-Aware Salient Object Detection

摘要

提出问题：

1. 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。
2. 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：

网络详解

网络模型