EGNet: Edge Guidance Network for Salient Object Detection论文阅读

Attention:

论文解读的博客原文发布于个人github论文合集 欢迎关注，有想法欢迎一起讨论！私信评论均可。

后面有些语法在CSDN的markdown上不支持，导致显示bug，我就懒得改了，有需求直接访问原博客查看。

创建人	github论文汇总	个人博客	知乎论文专栏
ming71	paperdaily	chaser	专栏

论文发布日期：2019.8.8[ICCV]

ICCV 2019南开程明明组的工作

1. Introduction

• 出发点：基于FCN方法的显著性检测任务（分割也有是类似的）由于是像素级的判别，缺少结构信息，导致显著性目标检测的边界不够精确。

• 解决方案：引入边缘信息作为监督，将边缘信息和显著性目标检测任务共同学习，并且互相特征复用、优势互补，能够取得更好的效果。

2. Salient Edge Guidance Network

* **PSFEM** 采用的backbone是U-Net，在提取不同尺度的特征图，并且通过类似FPN的结构将上层的语义信息向下传播；每一层特征图经过一层卷积后输出显著性检测结果；

• NLSEM
  加入边缘信息，底层融合了高层语义信息的特征图加入边缘信息学习边缘，用于后面的特征融合；

• O2OGM
  将NLSEM的卷积特征和PSFEM每个特征图的上采样结果进行像素相加，得到边缘和显著性检测的融合特征；该特征最终输出预测显著性目标结果。

3. Result

  不太了解显著性检测，咱也不知道，咱也不好说，但是效果应该是拔萃的，直接和SOTA比了个遍，指标上全面碾压：

PR曲线在三个数据集上也是凌驾于其他检测器，高高在上，十分嚣张的样子：   比较有意思的是引入的方式和融合中相关问题的讨论。纯粹引入边缘信息并不一定能带来很好的效果，这在目标检测中已经有很多工作做过了，从结果来看效果不怎么突出，远不像能取得这里很亮眼的表现。这里能work可能归因于他的一些融合考量和学习方法，加上边缘和显著性检测两个任务本身相似性很高，更符合MTL的方式。

---