![dc2bf265b1644aa75a51426cfa2a13d6.png](https://i-blog.csdnimg.cn/blog_migrate/924dad32407331881215916b6fa5d5e6.jpeg)
这篇文章是17年的ICCV
全名是 : A Stagewise Refinement Model for Detecting Salient Objects in Images
摘要
问题:下采样的操作会使得空间细节和细微的结构损失(ps:感觉这个时期的论文大多的问题都是关于这个)
办法:提出一个带有新的金字塔池化网络模块和多stage调整机制的增大正反馈的神经网络,用来显著性检测。
首先,生成一个粗略的许多的细节都损失了的预测图。然后,在一个stage级的方法下在主要分支里调整网络会融合局部内容信息调节之前的生成的显著性图。而且,一个金字塔池化模块被用来不同区域的内容聚合。实验表现良好。
介绍
深度学习的方法特别是CNN能出色的完成,许多识别任务。但是,这些方法在密度预测问题(语义分割,场景分析,显著性检测)上展现出明显的限制。多stage的空间池化和卷积层灰渐渐的下采样图片,图片会损失很多精细的结构。这种全局结构的在低像素图像素级变化是不变的,因此对于提取目标级信息是有利的。所以对于不需要空间信息的分类任务有利,但是对于密集的显著性目标分割来说有挑战。
为了解决这样的问题,我们提出一个聚集多尺寸全局上下文信息的空间金字塔池化模块的新奇的stage级模型。这stage级调整网络有效合并在主网络层被编码的高级语义信息和在调整网络中被编码的丰富的空