显著目标检测之Cascaded Partial Decoder for Fast and Accurate Salient Object Detection（CPD）

摘要

现在的显著性目标检测的网络大多依赖于预训练卷积神经网络CNN来聚合多级特征。与高级功能相比，低级功能对性能的贡献较小，但由于其较大的空间分辨率而使计算成本更高。这里提出了一种新的框架级联部分解码器Cascaded Partial Decoder（CPD）来实现快速准确的显著性目标检测。
首先，该框架构造了部分解码器，该部分解码器丢弃了较浅层的较大分辨率特征以进行加速。另外，因为更深层的积分特征可以获得相对精确的显著性图，所以直接使用生成的显著性图来细化骨干网络的特征。该策略有效地抑制了特征中的干扰物，并显着提高了它们的表示能力。对五个基准数据集进行的实验表明，所提出的模型不仅达到了最新的性能，而且比现有模型运行得快得多。此外，所提出的框架被进一步应用于改进现有的多级特征聚合模型并显着提高其效率和准确性。

简介

目前显著目标检测的主要方法及其存在的问题

1.深度学习CNN、FCN对于显著目标检测的贡献
近年来，深度学习在显着对象检测方面取得了令人惊讶的性能，因为它提供了丰富且具有区别性的图像表示。早期的深度显著性目标检测方法利用CNN预测图像区域的显著性分数，并获得具有高计算复杂度的准确显著性图。此外，基于全卷积网络（FCN）的编码器-解码器体系结构也被广泛应用于显著目标检测。编码器是经过预先训练的图像分类模型，它提供了多层次的深度特征：具有低分辨率的高级特征表示语义信息，而具有高分辨率的低级特征表示语义信息。 分辨率代表空间细节。在解码器中，将这些功能组合在一起以生成准确的显着性图。