显著性目标检测之Stacked Cross Refinement Network for Edge-Aware Salient Object Detection

摘要

现状：现有的算法大多集中于聚合预训练的卷积神经网络的多层次特征。此外，一些人尝试利用边缘信息进行辅助训练。而现有的边缘感知模型设计的是单向框架，仅利用边缘特征来改善分割特征。

提出新框架：作者研究了二值分割与边缘映射之间的相互关系，指出边缘映射中的边界区域是对应分割映射中目标区域的合适子集。受此启发，提出了一种新颖的边缘感知显著目标检测方法——堆叠交叉细化网络(SCRN)，该方法在两个任务之间双向传递信息，同时细化多层边缘和分割特征。

• 提出了一种有效的交叉细化单元(CRU)，在显著目标检测和边缘检测两个任务之间双向传递信息。在CRU中，设计了两个特定方向的集成操作，以同时细化两个任务的多层次特征；
• 提出了一种新的显著目标检测框架——堆叠交叉细化网络(SCRN)，该框架通过叠加多个cru来逐步改进两组多层次的特征。结合典型的u网结构，我们的框架分割突出的目标从图像精确。

网络详解

前边已经简单介绍了网络组成，接下来将要详细的介绍每个模块的原理以及构造方法
整体网络架构：

在此之前，先了解以下边缘和分割的相互关系：
突出目标检测是一个像素级二值分类问题。定义一个真值分割映射M_s = {M_s^p }，其中p表示图像的一个像素，N为图像中像素的个数。那么对应的边映射可以定义为M_e。对于一个图像，M_s突出了整个突出的物体，而M_e只突出突出的物体的边缘。因此，M_e中的边缘区域就是M_s中目标区域的合适子集,这个关系可以表示为：

特征提取

模型基于Res-Net50。从骨干网的4个残块中得到4个层次特征，定义为F = {F_i,i = 1,2,3,4}。给定一幅大小为H×W的图像，每个特征的大小为H /（2_i+1）×W /（2_i+1）×C。C为某特征的通道数，等于2_i+7。对于每一层，使用两个1×1卷积层，为两个任