论文笔记（十）-MULTI-PATH FEATURE FUSION NETWORK FOR SALIENCY DETECTION

论文地址：Multi-Path Feature Fusion Network for Saliency Detection

摘要
在本文中，作者利用多路径特征融合模型进行显着性检测。 所提出的模型是一个完全卷积的网络，其中原始图像作为输入，而显着图作为输出。该结构具有捕获低级视觉特征并生成保留边界的显着性图的能力。此外，在作者的模型中提出了耦合结构模块，这有助于探索显着对象的高级语义特性。

方法
基于已有算法不能对边界进行清晰定位的情况，作者提出了耦合结构模块coupled structure module (namely CSM) 来reuse卷积特征，该结构可以提高显着性检测的准确性并生成突出显示的显着性。所提出的显着性模型也基于完全卷积神经网络，原始图像作为输入，整个显着图作为输出。
主要贡献如下：

1. 提出了一个多路径特征融合网络，即MPFFNet，它使用来自不同路径的卷积特征来生成高质量的盐度图。 MPFFNet可以通过组合多级特征来提取显着对象的固有属性。
2. 提出了一个耦合结构模块，以提高预测目标物体的准确性。 受益于此模块，显着检测的性能得到了极大的提高，以实现更好的显着对象定位。
3. 算法可以均匀地突出显示显着对象，并平滑显着对象边界中的显着性值。

为了提高显着性检测的准确性，作者在网络最后的合并阶段之后添加了三个路径以构建空间金字塔结构。他们可以表示出每个branch的高阶特征图。作者提出的CSM如下图所示，耦合结构由两个互补和对称组件组成。每个组件包括一个3×3卷积层和一个1×1卷积层。 在每个卷积层之后也使用非线性变换（ReLU）。此外，为了扩大接收范围以覆盖整个对象，作者使用膨胀卷积[21]来增加滤波器的大小。耦合结构模块是空间敏感的，并且具有提取高级语义特征的能力。实验结果表明，CSM可以显着提高显着性检测的准确性。