[论文阅读-4] Learning the Spiral Sharing Network with Minimum Salient Region Regression for Saliency Detection

会议：ICASSP-2018

简介：

本文提出了一种两阶段的显著性目标检测方法。第一阶段是用来回归最小包括显著性物体的显著性区域（… to regress the minimum salient region containing all salient objects …），第二阶段，为了融合多层次特征，本文提出了螺旋分享网络用来对上一阶段的结果作像素级别检测（… the spiral sharing network is proposed for pixel-level detection on the result of RMSR …）。

存在的问题

• 对于相同类别的物体很难区分他们的显著性（to tell the saliency with objects in the same category in the image）
• 背景和显著性物体的颜色分布相近，很难区分出显著性物体（… the background is similar to the salient objects in color distribution, it is not easy to distinguish salient objects …）

网络结构

最小显著性区域回归（RMSR）

• 显著性区域用两个坐标来描述：包含显著性物体的长方形区域的左上角和右下角坐标
• VGG-16用来回归显著性区域，真值是通过已有的显著性数据集得到的bounding box
• 损失函数是euclidean损失，通过RMSR，可以将显著性物体从复杂背景分割出来

螺旋分享网络（SSN）

• SSN的输入是根据RMSR的输出得到的剪裁结果
• 螺旋结构包括四个数据旁路块（skip-layer block）。通过这种方法可以在不同的分支和层级之间分享多个特征（share multiple features from different branches and layers）
• 分支a从conv1-2通过数据旁路将信息传递到分支b，同理分支b传递到分支c，分支c传递到分支a，分支a传递到分支b，通过四个数据旁路块形成一个螺旋结构
• 用交叉熵来作损失函数
• 数据旁路块的输出是特征图经过3*3卷积层和ReLU激活函数和输入的特征图的和，以此保留低层信息。

与SOTA结果比较