论文地址:
当前方法的问题
许多最先进的方法通过将多层次卷积特征结合在一起来设计显著性模型. 然而, 并非所有的特征对显著性检测都具有同等的重要性, 有些特征甚至会引起干扰.
在一幅图像中, 并不是所有的空间位置都以同样的方式对显著性预测做出贡献, 而且有时存在产生干扰的背景区域.
同样, 不同的特征通道对前景或背景的响应也不同. 有些频道对前景有很高的响应, 有些则对杂乱的背景有明显的响应.
此外, 在大多数最新的基于 CNN 的方法中, 显著值是通过处理多尺度边输出卷积特征来估计的. 然而, VGG 和 ResNet 等较浅层次的骨干特征提取网络缺乏获取全局语义信息的能力, 从而产生混乱的结果.
怎么解决这个问题
空间注意 (SA) 可以突出前景区域, 避免一些不显著区域的干扰.
通道注意 (CA) 赋予对前景响应高的通道更大的权重.
基于通道和空间注意机制, 提出了一个渐进式注意驱动框架, 选择性地整合了多层次上下文信息. 利用该框架, 提出的方法可以输出更有效的特征, 从而减少背景干扰.
本文利用多径递归反馈对渐进式注意引导网络进行迭代优化. 通过引入多径递归连接, 将最上层卷积层的全局语义信息转移到较浅层, 从本质上提高了网络的特征学习能力.
网络结构
空间注意力: 将特征 f 通过卷积得到融合的特征图 m, 对 m 进行 softmax 得到不同位置对应的权重.
通道注意力: 对 f 按每个通道进行平均池化, 得到每个通道的特征向量 v, 然后利用卷积学习每个通道的聚合特征 w. 再通过 softmax 得到每个通道的权重.
渐进式注意力引导模块
由于重复的下采样操作, 如池化和卷积, 使得预测图的分辨率大大降低, 导致目标边界模糊. 来自深层的特征更多地学习高层语义信息, 而浅层的特征保留了丰富的空间细节. 为了准确定位突出目标并同时获得更清晰的边界, 需要将多层次特征结合起来. 然而, 基于 fcnb 的方法由于细节冗余和背景干扰, 直接不加区分地集成了多层次特征, 存在缺陷.
分层注意特征:
模型中, 分层注意信息作为下一阶段自适应生成新注意的指导, 多层次注意和注意特征是逐级生成的, 从多层次特征中有选择地引入上下文信息, 从粗到细地细化特征.
多路径循环引导模块
正常的前向传播计算过程如下: H 为第 l 个卷积层的特征.
引入多路径循环连接之后的计算方法: U,bu 为反馈学习到的参数.
实验
还验证了中间加监督的有效性.
来源: http://www.bubuko.com/infodetail-3448285.html