【显著性物体检测】Amulet: Aggregating Multi-level Convolutional Features for Salient Object Detection【论文笔记】

论文链接

摘要：同样是利用多级特征进行显著性物体检测，但这一片出的比较早，与2018年的cvpr的很多网络结构都有相似之处。作者提出的Amulet网络，首先将多级特征整合到多个分辨率下，然后再每一个分辨率下进一步特征整合进行显著性预测，再进行显著性融合得到最终的显著性图像。

直接看网路结构： 

作者分为了四个部分，分别是蓝色的块，表示多级特征提取；黄色的块RFC（resolution-based feature combination），表示基于分辨率的特征整合，至于什么叫基于分辨率呢，可以理解为整合后特征的维度，后面会具体讲。橙色的块SMP（ saliency map prediction ）表示递归地进行显著图预测，在这过程中每一份预测图都和真图进行递归监督 DeepRecursiveSupervision(DRS)；最后蓝色的BPR（Boundary preserved refinement）边框整合，进一步提升显著图的精确度，最后经过FSP（ fusion saliency prediction ）进行显著图融合。