3、CRRNet：用于显著目标检测的通道关系推理网络

CRRNet：用于显著目标检测的通道关系推理网络

1. 引言

显著目标检测（SOD）近年来因全卷积网络（FCN）的广泛使用取得了快速进展。基于FCN的方法已达到前沿性能，并且预训练的骨干网络常被用作编码器网络，增强了模型提取语义信息的能力。

然而，SOD模型常遇到显著目标内部不完整和边界模糊的问题。在显著目标的边缘，特征提取函数需要对微小的外观变化具有选择性，以区分目标和背景；而在显著目标内部，该函数应能适应严重的外观变化以获取完整的目标，这使得直接提取具有清晰边界的完整显著目标变得困难。

为解决这一问题，研究人员开发了多级互补特征提取模块（MLCFE），分别提取多级边缘和显著目标内部特征。高层特征包含大量语义线索，用于生成显著目标的内部；低层特征包含丰富的细节，用于提取边缘信息。然后将这些特征合并，得到多级边缘和显著目标内部特征。

但由于不同级别特征之间存在语义差距，简单地组合特征效率低下。为缓解这一问题，提出了两个解决方案：
- 在特征提取阶段（即MLCFE），提出跨级特征适应模块（CLFAM），为特征从高层到低层的过渡提供支持。
- 在多级特征融合阶段，提出通道关系推理模块（CRRM），基于通道之间的语义关系增强通道。

主要贡献总结如下：
- 基于直接提取具有清晰边界的完整显著目标困难的事实，提出多级互补特征提取模块（MLCFE），同时提取多级边缘和显著目标内部特征。
- 为充分利用多级边缘和显著目标特征，提出使用图卷积的通道关系推理模块，建立通道之间的关系并根据该关系增强特征。
- 在五个基准数据集上，将该方法与15种最先进（SOTA）的显著性模型在六个评估指标方面进行比较，实验结果