显著性目标检测论文阅读——Global Context-Aware Progressive Aggregation Network for Salient Object Detection

2023年4月8日下午3:14 • 目标检测

简要介绍

此论文解决的问题：

1.采用多级特征集成从而忽略不同特征的差距的问题。
2.随着高级特征在卷积网络的传递导致逐渐稀释的问题

提出的方法

采用了四个模块
Feature Interweaved Aggregation (FIA) modules，有效地集成低级外观特征，高级语义特征和全局上下文特征。并以有监督方式生成显著图。
Head Attention (HA) module，利用空间和通道主义来减少信息冗余并增强顶层特征
Self Reﬁnement (SR) module，进一步细化和增强顶层特征输入特性。
Global Context Flow (GCF) module，生成不同阶段的全局上下文信息，目的是了解不同显著区域之间的关系，缓解高层次特征的稀释效应。

具体框架

显著性目标检测论文阅读——Global Context-Aware Progressive Aggregation Network for Salient Object Detection

四个模块的介绍

Feature Interweaved Aggregation (FIA) modules

底层特征包含更多的细节信息，例如边界信息，空间信息和纹理，但是也包含更多的噪声。高级特征可以提供抽象的语义信息从而减少噪声。同时，上下文特征可以减轻特征稀释的影响生成更完整和准确的显著图。FIA就是结合这三种特征。
显著性目标检测论文阅读——Global Context-Aware Progressive Aggregation Network for Salient Object Detection
这里的三个输入为：

the high-level features from the output of the previous layer the

low-level features from the corresponding bottom layer the global

the global context feature generated by the GCF module

采用融合信息的方法是乘法，并且为了使乘法运算保持一致性，采用卷积层将通道数压缩到相同，即图中的conv。同时采用了镜像的方法防止显著对象信息的丢失（fhl和fth）。可以用公式描述为：

对于fgl，它利用了GCF模块的信息（具体GCF会在后面介绍），作用是融合全局上下文特征，缓解高级特征的稀释。具体运算为：

最后将这三个特征级联再通过3*3卷积层获得最终的特征
显著性目标检测论文阅读——Global Context-Aware Progressive Aggregation Network for Salient Object Detection
除conv2，conv3，conv4外（图中公式具体给出），每个卷积层都配备了归一化层和ReLU**函数。最后是将FIA模块输出到SR模块。

Self Reﬁnement (SR) module

用于增强和完善特征图，通过3*3卷积层压缩为特征向量，并增加一个权值和偏置值来增强特征图。
显著性目标检测论文阅读——Global Context-Aware Progressive Aggregation Network for Salient Object Detection

Head Attention (HA) module

通过利用空间和通道注意机制来学习更具有选择性和代表性的特征。
输入特征图F到卷积层得到一个具有256通道的压缩特征图F’

此外，通过平均池化将输入特征F下采样为通道特征向量F，然后运用两个完全连接层，把特征向量F投影到输出向量y。最终的输出特征图由输出向量y加权获得。
显著性目标检测论文阅读——Global Context-Aware Progressive Aggregation Network for Salient Object Detection

Global Context Flow (GCF) module

GCF模块用于获取每个阶段的全局上下文信息来提供给FIA，可以有效地缓解高级特征在传输到低层时被稀释的问题。采用的方式如下：
显著性目标检测论文阅读——Global Context-Aware Progressive Aggregation Network for Salient Object Detection
最后采用的损失函数是交叉熵损失