【显著性物体检测】【CVPR2018】A Bi-directional Message Passing Model for Salient Object Detection【论文笔记】

论文链接

摘要：本文提出了一个新的网络用于整合多级特征进行显著性物体检测。首先采用多尺度上下文感知特征提取模块（MCFEM）让多级特征图获取丰富的上下文信息。然后一个双向结构用于在多级特征之间传播信息，且有一个门函数来控制信息的通过率，使得信息传递之后的特征，即编码了语义信息有结合了空间细节。最后，预测的结果图进行有效的结合，以产生最终的显著图。

MCFEM（Multi-scale Context-aware Feature Extraction Module）

• 传统全卷积只是堆叠卷积层和池化层来提取特征，并没有包含丰富的上下文信息。

GBMPM（ Gated Bi-directional Message Passing Module）

• 传统卷积方法主要依靠高级特征，而没有利用到低级的特征，从而导致显著图中物体的边界信息丢失。
• HED结构，仅仅使用从深层向浅层进行信息传输，忽略了浅层向深层传输的作用
• 多级特征之间的直接连接不是最优的方法，不精确的信息可能会降低性能。

网络整体结构：

首先时传统的全掉全卷积和最后一次池化的VGG16，然后经过MCFEM模块，得到各级特征图，在经过双向的信息传递，得到最后的特征图，最后从深层向底层进行特征图的结合，从而得到最终的特征图。