显著性检测-2017（ICCV, CVPR）

1.《Deeply Supervised Salient Object Detection with Short Connections》

DSS网络结构如下：

在测试时为了得到更好的效果，只使用2，3，4层的side-out来混合。

final输出如下：

另外，还使用CRF作为post process 修正边界。CRF的实现借助开源包PyDenseCRF。因为只有两类，所以直接用CRF得到的每个像素显著的后验概率作为显著预测值，构成显著预测图。
CRF能量函数如下：

2.《Amulet: Aggregating Multi-level Convolutional Features for Salient Object Detection》

Amulet网络结构图如下：

（1）Multi-level feature extraction
VGG16, 抽取5个level的特征
（2）Resolution-based feature integration
通过下采样或上采样，每个level都融合feature exgtraction模块提取的所以level特征。

（3）Recursive saliency map prediction.
每个level的预测使用当前level特征和上一层level的预测信息。
使用深度监管策略。
（4）Boundary preserved refinement
通过第一个level得到边界图B^l,然后用B^l修正每层level预测图

（5） fusion saliency prediction (FSP) as the final output.