分析显著性目标检测之Progressive Feature Polishing Network for Salient Object Detection

摘要

现有的方法主要集中在设计一个复杂的结构来包含多层次的特征，并过滤掉杂乱的特征。我们提出了渐进特征修正（polish）网络(PFPN)，一个简单而有效的框架，逐步修正多层次的特征，使其更加准确和有代表性。通过反复使用多个特征修正模块，该方法能够在不进行任何后处理的情况下检测出具有精细细节的显著目标。AFPM通过直接合并所有更高层次的上下文信息，并行地更新每一层的特征。此外，它可以保持特征图的维度和层次结构，这使得它可以灵活地与任何基于cnn的模型集成。实验表明，随着FPM数量的增加，我们的结果单调地变好。在不同的评估指标下，PFPN在五个基准数据集上的性能显著优于最先进的方法。

网络概述

1. 作者提出了一种新的多层表示法改进显著目标检测方法，以及一个简单和整齐的框架PFPN，以循环方式逐步“打磨”（细化‘polish’）特征。
2. 对于每一个抛光步骤，我们提出FPM来细化表示，它保留了特征图的维数和层次结构。它将高级语义信息直接集成到所有低级特征中，避免了长期依赖问题。

网络详解

网络模型

作者提出了渐进特征细化网络(PFPN)的显著目标检测。该体系结构的概述如图2所示。模型由四种模块组成:主干模块、两个过渡模块™、一系列T特征抛光模块(FPM)和融合模块(FM)。

1. 为了降低特征维度和保持实验整洁,这些特征图谱传到第一过渡模块(图2)TM1，每一层的特征都被平行地转换为相同数量的维度；
2. 在得到相同维数的多层次特征图后，对这些特征依次进行T特征细化模块(FPM)，使其逐步改进，在每个FPM中，将高级特征直接引入到所有低级特征中，对低级特征进行改进，这种方法比间接的方法更有效，也显著减少了信息损失；
3. 然后利用第二个过渡模块(图2中的TM2)，它由一个双线性上采样和一个1x1卷积组成