Reverse Attention for Salient Object Detection
Reverse Attention for Salient Object Detection
2018ECCV
Abstract
得益于深度学习技术的快速发展,显著目标检测最近取得了显著进展。然而,仍然存在以下两个主要挑战阻碍其在嵌入式设备中的应用,低分辨率输出和沉重的模型权重。为此,本文提出了一个准确但紧凑的深度网络,用于高效的显著目标检测。更具体地说,给定最深层的粗略显著性预测,我们首先采用残差学习来学习侧输出残差特征以进行显著性细化,这可以在保持准确性的情况下使用非常有限的卷积参数来实现。其次,我们进一步提出反向关注以自上而下的方式指导这种侧输出残差学习。通过从侧输出特征中删除当前预测的显著区域,网络最终可以探索缺失的对象部分和细节,从而获得高分辨率和准确性。在六个基准数据集上的实验表明,所提出的方法与最先进的方法相比具有优势,并且在简单性、效率(45 FPS)和模型大小(81 MB)方面具有优势。
keywords: 显著目标检测, 反向注意, 边输出残差学习
Introduction
显著物体检测,也称为显著性检测,旨在定位和分割图像中最显眼和吸引眼球的物体或区域。通常用作预处理步骤,以方便后续的各种高级视觉任务,例如图像分割 [1],图像字幕 [2] 等。最近,随着深度卷积神经网络 (CNNs) 的快速发展,显著的对象检测已比传统的基于手工制作的基于特征的方法取得了重大改进。完全卷积神经网络 (FCNs) [3] 的出现,由于其效率和端到端训练,进一步将其推向了新的技术水平。这种架构也有利于其他应用,例如语义分割 [4],边缘检测 [5]。
尽管已经取得了深刻的进步,但仍然存在两个主要挑战,这些挑战阻碍了其在现实世界中的应用,例如嵌入式设备。一种是基于FCNs的显著性模型产生的显著性图的分辨率低。由于CNN体系结构中反复的跨步和池化操作,不可避免地会失去分辨率和难以细化,从而无法准确定位显著对象,尤其是对于对象边界和小对象。另一种是现有深度显著性模型的重大和冗余大。从图1中可以看出,所有列出的深度模型都大于1 00 MB,这对于预处理步骤来说太重了,无法应用于后续的高级任务中,并且对于嵌入式设备来说也不是有效的存储器。
Fig. 1. ECSSD上最近基于深度CNN的显着性检测模型的最大F度量,包括DS [6],ELD [7],DCL [8],DHS [8],RFCN [9],NLDF [10],DSS [11],MSRNet [12],Amulet[13] 、UCF [14] 和我们的 (红色圆圈)。可以看出,所提出的模型是唯一一个小于100 MB的模型,同时通过最先进的方法实现了可比的性能。
已经探索了多种解决方案,以提高基于FCNs的预测的分辨率。早期作品【8,15,16】通常将其与额外区域或基于超像素的流相结合,以高时间成本为代价融合各自的优势。然后,构建一些简单但有效的结构,将浅层和深层CNN特征的互补线索结合起来,分别捕获低级空间细节和高级语义信息,如跳跃连接【12】、短连接【11】、密集连接【17】、自适应聚合【13】。这种多级特征融合方案在语义分割[18,19]、边缘检测[20]、骨架检测[21,22]中也发挥着重要作用。然而,在复杂的现实场景下,尤其是在处理具有不同尺度的多个显著对象时,现有的古语融合仍然不能用于显著性检测。此外,一些耗时的后处理技能也被应用于细化,例如,基于超像素的过滤器【23】,全连接条件随机场(CRF)[8,11,24]。然而,据我们所知,目前还没有考虑到轻量级模型和高精度的显著性检测网络。
为此,我们提出了一个准确而紧凑的深度显著目标检测网络,该网络实现了与最先进的方法相当的性能,从而实现了实时应用。通常,由于较大的感受野和模型容量可以捕获更多语义信息,因此具有较大内核大小的更多卷积通道会在显著目标检测中获得更好的性能,例如,在最后一个侧输出中有 512 个内核大小为 7×7 的通道DSS [11]。以不同的方式,我们将残差学习 [25] 引入 HED [5] 的架构中,并将显著目标检测视为超分辨率重建问题 [26]。鉴于 FCN 的低分辨率预测,学习边输出残差特征以逐步对其进行细化。请注意,它只能使用 64 通道的卷积和每个侧输出中 3×3 的内核大小来实现,其参数明显少于 DSS。
类似的残差学习也被用于骨骼检测[21]和图像超分辨率[27]。 然而,由于其具有挑战性,如果我们直接将其应用于显着目标检测,其性能还不够令人满意。 由于大多数现有的深度显著性模型都是从图像分类网络中微调出来的,微调后的网络在残差学习过程中会无意识地关注具有高响应值的区域,如图 5 所示,从而难以捕获残差 细节,例如对象边界和其他未检测到的对象部分。 为了解决这个问题,我们提出了反向注意力以自上而下的方式指导侧输出残差学习。 具体来说,对深层的预测进行上采样,然后对其进行反向加权以对其相邻的浅侧输出特征进行加权,从而快速引导网络专注于未检测到的区域进行残差捕获,从而获得更好的性能,如图 2 所示。
Fig. 2. 视觉对比DSS【11】(顶行)、我们的方法(中间行)和反向注意(底行)分别在不同侧输出中产生的显著性图。可以清楚地看到,显著性图的分辨率从深侧输出逐渐提高到浅侧输出,我们基于反向注意的侧输出残差学习的性能比短连接好得多【11】。
总而言之,本文的贡献可以得出以下结论
Reverse Attention for Salient Object Detection相关推荐
- 【显著性物体检测】【ECCV2018】Reverse Attention for Salient Object Detection【论文笔记】
简介:在不怎么增加计算量的前提下,采用从粗到精的思想,由高级特征到低级特征,补全显著性检测的轮廓[最近很多都是基于这个思想].模型的速度与效果都占优.具体关注,是怎么实现特征的多级利用的. ECSSD ...
- 显著性目标检测之Shifting More Attention to Video Salient Object Detection
Shifting More Attention to Video Salient Object Detection 文章目录 Shifting More Attention to Video Sali ...
- Shifting More Attention to Video Salient Object Detection (CVPR 2019)
Shifting More Attention to Video Salient Object Detection 现实生活中缺少一个完善的高质量标注的视频显著性目标检测(video salient ...
- 【图像分割】MGA:Motion Guided Attention for Video Salient Object Detection
文章: Motion Guided Attention for Video Salient Object Detection 代码:https://github.com/lhaof/Motion-Gu ...
- Motion Guided Attention for Video Salient Object Detection论文详读
abstract 视频显著目标检测的主要目的是检测出视频中视觉上最突出.最独特的目标,现有的方法没有获取和使用视频中的运动线索,或忽略了光流图像中的空间上下文. 本文的方法使用两个子网络分别实现两个子 ...
- [论文阅读] Boosting Salient Object Detection with Transformer-based Asymmetric Bilateral U-Net
论文地址:https://arxiv.org/abs/2108.07851 发表于:Arxiv 2021.08 Abstract 现有的显著目标检测(SOD)方法主要依靠基于CNN的U型结构,通过跨层 ...
- [论文阅读] Stereoscopically Attentive Multi-scale Network for Lightweight Salient Object Detection
论文地址:https://dx.doi.org/10.1109/TIP.2021.3065239 代码:https://mmcheng.net/SAMNet 发表于:TIP 2021 Abstract ...
- Weakly Supervised Video Salient Object Detection
Weakly Supervised Video Salient Object Detection 摘要 1. Introduction 2. Related Work 3. Our Method 3. ...
- 【arXiv2022】GroupTransNet: Group Transformer Network for RGB-D Salient Object Detection
paper:https://arxiv.org/abs/2203.10785 目录 一 动机 二 方法 三 网络框架 3.1 模态纯化模块(MPM) 3.2 尺度统一模块 (SUM) 3.3 多 Tr ...
最新文章
- 为创世纪图书馆(Library Genesis)作镜像
- html菜单栏点击后处于选中状态,js实现导航菜单点击切换选中时高亮状态
- 太原理工计算机组成原理报告,太原理工《计算机组成原理与体系结构》--实验报告.docx...
- Hackthissite realistic 6解密题后的记录
- 在UnitTest中读取*.config文件的郁闷
- hdu 3951 硬币围成一圈(博弈)
- SQL Server:触发器详解
- XCode8 App上传AppStore更新
- 怎么一键执行java程序_如何快速、低成本、低扰动地运行一段Java代码
- html菜单栏用户点击完自动收缩,几个不错的自动收缩菜单导航效果
- 2020新定额及配套招投标评审办法宣贯会成功举办
- PayPal如何提现,PayPal提现手续费是多少?
- 接入翼支付的php,翼支付商户接入规范.doc
- java ldc指令_6.Java JVM_4.JVM字节码之整型入栈指令(iconst、bipush、sipush、ldc)
- Laravel项目+Google验证器
- 【考研经验】2018三跨哈工大深圳专硕初试复试经验
- 计算机 无法进入睡眠模式,win7电脑无法正常进入睡眠模式怎么办
- 帮忙改一下狼人杀的错T_T
- Canvas 文字对齐方式
- 异常 exception