Label Decoupling Framework for Salient Object Detection 论文解读

该论文发表于CVPR2020。
论文链接：https://openaccess.thecvf.com/content_CVPR_2020/papers/Wei_Label_Decoupling_Framework_for_Salient_Object_Detection_CVPR_2020_paper.pdf
项目地址：
https://github.com/weijun88/LDF

文章目录

• 待解决的问题
• 提出方法
• • 标签解耦
  • 特征提取
  • Feature Interaction Network
  • 损失函数
• 实验结果
• • 关于Feature Interaction的迭代次数实验部分
  • 关于损失函数的实验部分
  • 与现有方法的定量对比结果
  • 与现有方法的可视化结果对比
  • 在SOC数据集(拥有各式各样的属性)上的表现
• 文章总结
• 个人评价

待解决的问题

现有方法存在的问题介绍：表格1展示了两种方法EGNet和SCRN在三个数据集上的测试结果。我们可以发现，相比较预测整体而言，在边缘处的预测会更加困难(MAE_edge的值均比MAE_global的值要高)。图1中横坐标表示像素点到其最近点边缘处的距离，该距离已经正则化至0到1，纵坐标表示预测误差。我们可以发现，当像素点越靠近边缘时，该预测误差值越大，即越靠近边缘的地方越难预测。

其主要原因是：存在一个边缘像素和背景像素分布不均衡的问题。即距离边缘越远的像素更容易被分类为背景像素，越近的像素很难对其进行分类。在传统的SOD方法中，将显著性目标中所有的像素都是同等对待，这就可能会使得预测结果受到靠近边缘处像素的影响。

提出方法

为了解决上述问题，本文利用解耦的思想，提出了一种标签解耦的显著性目标检测方法。该方法克服了以往基于边缘的SOD方法，分别预测body map和detail map。该方法设计了一个feature interaction网络来充分利用两分支的信息，通过迭代的方式得到更加精确的预测结果。本文的方法在6个SOD数据集上取得了较好的实验结果。

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！