显著性目标检测论文阅读——Global Context-Aware Progressive Aggregation Network for Salient Object Detection

简要介绍

此论文解决的问题：

1.采用多级特征集成从而忽略不同特征的差距的问题。
2.随着高级特征在卷积网络的传递导致逐渐稀释的问题

提出的方法

采用了四个模块
Feature Interweaved Aggregation (FIA) modules，有效地集成低级外观特征，高级语义特征和全局上下文特征。并以有监督方式生成显著图。
Head Attention (HA) module，利用空间和通道主义来减少信息冗余并增强顶层特征
Self Refinement (SR) module，进一步细化和增强顶层特征输入特性。
Global Context Flow (GCF) module，生成不同阶段的全局上下文信息，目的是了解不同显著区域之间的关系，缓解高层次特征的稀释效应。

具体框架

四个模块的介绍

Feature Interweaved Aggregation (FIA) modules

底层特征包含更多的细节信息，例如边界信息，空间信息和纹理，但是也包含更多的噪声。高级特征可以提供抽象的语义信息从而减少噪声。同时，上下文特征可以减轻特征稀释的影响生成更完整和准确的显著图。FIA就是结合这三种特征。

这里的三个输入为：

1. the high-level features from the output of the previous layer the
2. low-level features from the corresponding bottom layer the global
3. the global context feature generated by the GCF module

采用融合信息的方法是乘法，并且为了使乘法运算保持一致性，采用卷积层将通道数压缩到相同，即图中的conv。同时采用了镜像的方法防止显著对象信息的丢失（fhl和fth）。可以用公式描述为：

对于fgl，它利用了GCF模块的信息（具体GCF会在后面介绍），作用是融合全局上下文特征，缓解高级特征的稀释。具体运算为：

最后将这三个特征级联再通过3*3卷积层获得最终的特征

除conv2，conv3，conv4外（图中公式具体给出），每个卷积层都配备了归一化层和ReLU激活函数。最后是将FIA模块输出到SR模块。

Self Refinement (SR) module

用于增强和完善特征图，通过3*3卷积层压缩为特征向量，并增加一个权值和偏置值来增强特征图。

Head Attention (HA) module

通过利用空间和通道注意机制来学习更具有选择性和代表性的特征。
输入特征图F到卷积层得到一个具有256通道的压缩特征图F’

此外，通过平均池化将输入特征F下采样为通道特征向量F，然后运用两个完全连接层，把特征向量F投影到输出向量y。最终的输出特征图由输出向量y加权获得。

Global Context Flow (GCF) module

GCF模块用于获取每个阶段的全局上下文信息来提供给FIA，可以有效地缓解高级特征在传输到低层时被稀释的问题。采用的方式如下：

最后采用的损失函数是交叉熵损失

若本文有错误，欢迎交流更正

论文和代码获取：https://github.com/JosephChenHub/GCPANet