U2-Net: Going Deeper with Nested U-Structure for Salient Object Detection论文阅读记录

摘要：提出显著性检测的新框架 优势：（1由于利用残差U行快，获取不同尺度的混合上下文信息（2增加框架深度的同时并未显著的增加网络的计算资源。框架不依赖其他backbone 网络，从头开始训练

GitHub ：https://github.com/NathanUA/U-2-Net.

1、介绍 

显著性检测目的分割出视觉上更吸引的物体，由于cnn的发展，显著性目标检测领域发展迅速，存在一些挑战需要解决

指出常见SOD使用backbone such as Alexnet [17], VGG [35], ResNet [12], ResNeXt
[44], DenseNet [15], etc，这些主干网络用于图像分类，其抽取语义信息并非局部细节和全局对比信息；另外其需要预训练imgnet 数据，可能存在和目标数据集的分别不一样问题，

灵感启发：This leads to our first question: can we design a new network for SOD, that allows training from scratch and achieves comparable or better performance than those based on existing pre-trained backbones?

常见的框架，添加特征聚合模块过于复杂，更深的层导致高分辨率特征图的丢失，深度模型导致内存和计算资源过大消耗，

提问：Hence, our follow-up question is: can we go deeper while maintaining high resolution feature maps, at a low
memory and computation cost?

U2