显著性检测-2017（ICCV, CVPR）

最新推荐文章于 2025-07-03 09:00:00 发布

原创最新推荐文章于 2025-07-03 09:00:00 发布 · 886 阅读

5 ·

CC 4.0 BY-SA版权

CV--显著性检测专栏收录该内容

11 篇文章

订阅专栏

本文介绍了两种深度学习方法，《Deeply Supervised Salient Object Detection with Short Connections》和《Amulet: Aggregating Multi-level Convolutional Features for Salient Object Detection》，用于显著目标检测。前者使用DSS网络结构，在测试时混合2、3、4层的side-out以获得更佳效果，并采用CRF进行边界修正。后者Amulet网络则通过多级特征提取、基于分辨率的特征融合、递归显著性图预测、边界保留细化和最终融合预测来提升检测性能。

部署运行你感兴趣的模型镜像

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

DSS网络结构如下：

在这里插入图片描述

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：
在这里插入图片描述

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

Amulet网络结构图如下：

在这里插入图片描述
（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
在这里插入图片描述
（5） fusion saliency prediction (FSP) as the final output.