4、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. 多尺度特征处理

在显著目标检测中，对于输出特征 FF，我们使用一个 3×3 的卷积层来融合通道，并生成不同尺度的粗略图。然后，利用双线性插值 interp(·) 将这些图转换为原始图像大小。用 $P = {P_1, P_2, P_3, P_4, P_5}$ 表示相应层级的单通道图，计算公式如下：
$P_i = interp(Conv(FF_i))$

对于浅层解码器层（$i = 1, 2$），用于提取多尺度边缘特征。使用显著目标的边缘来约束相应特征，并采用交叉熵损失函数：
$L_{edge} = - \sum_{i=1}^{2} \sum_{j=1}^{L} \sum_{c\in{0,1}} [\delta(E_j = c)\log(P_{i,j} = c)]$
其中，$L$ 表示像素数量，$E$ 指显著目标的边缘，$P$ 指预测的边缘图，$\delta$ 是指示函数。

对于较深层（$i = 3, 4, 5$），用于生成多尺度显著内部特征，损失函数为：
$L_{sal} = - \sum_{i=3}^{5} \sum_{j=1}^{L} \sum_{c\in{0,1}} [\delta(G_j = c)\log(P_{i,j} = c)]$
这里，$G$ 表示显著目标的真实标注，$P$ 表示预测的显著性图。

2. 通道关系推理模块

特征 FF 包含多尺度显著特征和边缘特征。通道图可视为对特征的表达或响应，且这些特征是相关的。我们利用图卷积网络（GCN）来推断通道之间的关系，以增强特征表达。

2.1 像素空间到隐藏