ICCV 2019 | 可选择性与不变性:关注边界的显著性目标检测
作者丨文永亮
学校丨哈尔滨工业大学(深圳)硕士生
研究方向丨目标检测、GAN
概要
其实比引入关注边界的 loss 更加暴力,它的亮点就在于直接增加一条分支网络提取预测边界,后面结合显著性目标的内部共同组成特征做监督训练。在效果方面其实两篇关注边界的都相差不大,MAE 方面似乎 BANet 要比 BASNet 低一点,但是 Fβ 的评价下,BASNet 要比 BANet 要高一点。
两个问题
一个大的显著性物体内部存在很大的外观变化导致很难当做一个完整的物体,如 Fig1 中的 (a) 和 (b);
显著性物体的边界很混杂很难从周围背景中分辨出来,如 Fig1 的 (c) 和 (d)。
这时候的解决方法就是需要一组特征,能够选择性的响应图片中的重要部分,而对图片中的不重要部分的变化保持不变性。这对特征的划分要求很高,如果想让网络完全学出来响应变化可能会导致网络十分敏感,对不重要部分变化(如背景的改变)产生很大反应。
模型架构
这个网络结构的特点:
前面是普通的特征提取器
后面分成三个分支:
边界定位分支
转变补偿分支
内部感知分支
边界定位分支使用了多层特征
其中损失函数 E 只是简单的交叉熵,
其中其网络较为复杂,使用了 ISD(integrated successive dilation)模块。这个模块在后面介绍。
转变补偿分支是为了平衡内部和边界之间的可转换区域需要可选择性和不变性。
如 Fig 2 所示,⊗ 是 element-wise product,其实类似交集操作,首先
M 由三部分组成,加法的第一项,
最后最小化三个 Loss 的和:
ISD模块
实验结果
400x300 的图片在 3.60GHz 的 CPU 和 GTX 1080ti GPU 下跑了效果为 13 fps。可能因为分支多,而且 ISD 模块是连续叠加的所以比 BASNet 要慢一倍。
▲ Fig 4. BANet与目前16种state-of-arts的方法在6种数据集上的对比
总结
转变补偿分支的 M 的公式是比较有技巧的一个地方,整个检测分成了三个分支,如何综合利用,在选择性与不变性中权衡动态的地方,总体来说效果不错,但是暴力地分离边界必然导致计算的复杂,也是暴力美学的一种形式,因为文章标题与 BASNet 的相似,与其对比在所难免,是结构改变还是 loss 的计算改变更优雅更接近真理,其实很难断定。
点击以下标题查看更多往期内容:
让你的论文被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体,缩短读者寻找优质内容的成本呢?答案就是:你不认识的人。
总有一些你不认识的人,知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁,促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人,在我们的平台上分享各类优质内容,可以是最新论文解读,也可以是学习心得或技术干货。我们的目的只有一个,让知识真正流动起来。
📝 来稿标准:
• 稿件确系个人原创作品,来稿需注明作者个人信息(姓名+学校/工作单位+学历/职位+研究方向)
• 如果文章并非首发,请在投稿时提醒并附上所有已发布链接
• PaperWeekly 默认每篇文章都是首发,均会添加“原创”标志
📬 投稿邮箱:
• 投稿邮箱:hr@paperweekly.site
• 所有文章配图,请单独在附件中发送
• 请留下即时联系方式(微信或手机),以便我们在编辑发布时和作者沟通
🔍
现在,在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域,欢迎在公众号后台点击「交流群」,小助手将把你带入 PaperWeekly 的交流群里。
▽ 点击 | 阅读原文 | 下载论文