代码链接:https://github.com/CaitinZhao/cvpr2019_Pyramid-Feature-Attention-Network-for-Saliency-detection
1. 概述
在显著性检测算法中,如何提取到更有效的特征是该任务的难点之一。如今算法多通过融合多尺度特征来提取更有效的特征,但并不是所有的特征都是有效的,而且有些可能导致相反的效果。
为了解决该问题,我们通过金字塔特征注意网络来注意高语义特征和低维空间结构特征。
首先,使用上下文感知金字塔特征提取(Context-aware PyramidFeatureExtraction,CPFE)模块对高级多尺度信息捕捉丰富的语义信息。
其次,在CPFE模块后加入通道注意模块( channel-wise attention,CA)以及低级特征中提取的空间注意模块( spatial attention,SA),然后将CA和SA融合。
最后,我们提出边缘保护损失,使网络学习到更多的边界定位的细节信息。
目前,最有效的显著性目标检测算法都是基于FCN网络,由多个卷积层和池化层堆叠来逐渐增加感受野大小以及获得更高级的语义信息。但池化层减小了特征映射的大小并恶化了显著对象的边界。
为了解决该现象,一些研究者通过手动提取特征将显著性目标的边界特征进行保存。但这种方法难以有效地融合单独提取的互补特征,并且很耗时。因此研究者们便开始通过融合多尺度特征来进行显著性目标检测。深层的特征通常包含全局上下文感知信息,这些信息适合于正确定位显著区域。 浅层的特征包含空间结构细节,适合于定位边界。这些方法的缺点是,融合不同尺度的特征但是并未考虑到每一层不同的贡献。
本文中,我们提出了一种新颖的显著性目标检测方法----- Pyramid Feature Attention (PFA)网络。考虑到不同级别特征图有不同的特征,低级特征图包含很多噪声&#x