显著性目标检测——Stacked Cross Refinement Network for Edge-Aware Salient Object Detection（SCRN）

摘要

显著物体检测是计算机视觉的基本任务。现有的大多数算法都集中于聚合预训练卷积神经网络的多级特征。此外，一些研究人员试图利用边缘信息进行辅助训练。但是，现有的边缘感知模型设计的单向框架仅使用边缘特征来改善分割特征。基于二进制分割和边缘图之间的逻辑相互关系，提出了一种新颖的堆叠交叉细化网络（Stacked Cross Refinement Network，SCRN） 用于显著目标检测。该框架旨在通过堆叠交叉优化单元（ stacking Cross Refinement Unit，CRU） 来同时优化显著对象检测和边缘检测的多级功能。根据逻辑关系，CRU设计了两个特定于方向的集成操作，并在两个任务之间双向传递消息。该模型将完善的边缘保留功能与典型的U-Net结合在一起，可以准确地检测出凸出的物体。在六个基准数据集上进行的大量实验表明，该方法在准确性和效率上均优于现有的最新算法。此外，SOC数据集上基于属性的性能表明，该模型在大多数具有挑战性的场景中均排名第一。

简介

显著目标检测的发展历程

近年来，卷积神经网络（CNN）极大地促进了计算机视觉的研究。早期的深度显著物体检测模型利用分类网络来确定图像的每个区域是否显著。与传统模型相比，这些模型产生的结果更好，然而计算开销很大。然后基于全卷积网络（FCN）的方法进一步促进了显著目标检测的发展。通过设计合理的解码器来提取有区别的多级特征并将它们聚合在一起，从而实现最先进的性能。此外，研究人员还尝试利用显著目标检测和边缘检测这两个任务之间的互补信息。一些策略使用边缘标签来改善分割网络的训练过程：在分割网络的末端添加辅助边界损失，设计仅使用边缘信息来提高分割特征表示能力的单向框架 。尽管以前的工作表明融合边缘特征有利于生成更准确的分割图，但它们可能会遇到边缘特征不准确的问题。并且边缘信息尚未在现有的边缘感知框架中得到充分利用。

SCRN基本设计思路

本文研究了二值分割与边缘图之间的相互关系，并指出边缘图中的边界区域是相应分割图中对象区域的适当子集。受此观察结果的启发，提出了一种新颖的边缘感知显著对象检测方法，称为堆叠交叉细化网络（Stacked Cross Refinement Network，SCRN） ，该方法在两个任务之间双向传递消息，同时细化了多级边缘和分割特征。
（1）首先从共享的骨干网中提取出两组不同的多层次深度特征，这些特征被用于构造两个并行解码器：一个用于边缘检测，另一个用于显著对象检测。
ÿ