该论文发表于CVPR2020。
论文链接:https://openaccess.thecvf.com/content_CVPR_2020/papers/Wei_Label_Decoupling_Framework_for_Salient_Object_Detection_CVPR_2020_paper.pdf
项目地址:
https://github.com/weijun88/LDF
文章目录
待解决的问题
现有方法存在的问题介绍:表格1展示了两种方法EGNet和SCRN在三个数据集上的测试结果。我们可以发现,相比较预测整体而言,在边缘处的预测会更加困难(MAEedge的值均比MAEglobal的值要高)。图1中横坐标表示像素点到其最近点边缘处的距离,该距离已经正则化至0到1,纵坐标表示预测误差。我们可以发现,当像素点越靠近边缘时,该预测误差值越大,即越靠近边缘的地方越难预测。
其主要原因是:存在一个边缘像素和背景像素分布不均衡的问题。即距离边缘越远的像素更容易被分类为背景像素,越近的像素很难对其进行分类。在传统的SOD方法中,将显著性目标中所有的像素都是同等对待,这就可能会使得预测结果受到靠近边缘处像素的影响。
提出方法
为了解决上述问题,本文利用解耦的思想&#x