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。