自用论文阅读笔记：Cross Domain Edge Detection Based LabelDecoupling Salient Object Detection

       突出物体的边缘在显著性物体检测中起着重要作用，在本文中，提出了一个跨领域的边缘检测
边缘检测的突出物体检测网络（CDENet）。提高显著性检测的准确性，并更充分地利用边缘信息。CDENet将原始的突出物体检测标签解耦，并以原始的突出物体检测标签进行训练。

       为了更好地利用边缘信息。提出了一个跨域边缘检测模块（CDED），该模块融合了RGB域的特征。融合了RGB域和HSV域的特征。此外，还设计了一个交叉自我监督模块（CSSM）用于标签解耦网络。CSSM使用身体预测和边缘预测之间的隐含关联体预测和边缘预测之间的隐性联系来加强神经系统不同分支之间的信息神经网络的不同分支之间的互动。

 与LDF算法不同，本文方法是一个端到端网络。网络内部没有循环结构。网络，它也不需要将训练过程分为分成两部分。训练过程更容易，学到的模型也更稳健。在设计的算法中，引入了跨域边缘检测模块（CDED）和交叉自我监督模块（CSSM）

CDED模块

       这个模块结合了HSV域和RGB域的边界边界信息和RGB域的信息。在这之后。这两个分支的信息是通过交叉自我监督模块。标签之间的潜在联系标签之间的潜在联系被用来实现自监督学习。此后。网络融合了身体预测和边缘预测，然后，网络融合了身体预测和边缘预测，并通过剩余细化模块对预测结果进行优化。虽然RGB域的图像可以更好地描述颜色场景，但它们并不完全符合人眼的感知习惯和自然界的成像特征。

然而，人的眼睛对这三种颜色成分有不同的敏感性对这三种颜色分量的敏感度不同，而在HSV域中，人眼的感知特征更符合因此，在这项工作中，我们设计了一个跨域边缘检测模块(CDED)。
边缘检测模块（CDED）来融合从RGB域和HSV域提取的边缘特征。