论文-R3Net: Recurrent Residual Refinement Network for Saliency Detection

[ghost]

[ghost]

1. 使用ResNeXt提取特征, 分成了五个阶段
2. 使用前三个阶段产生的特征图上采样到输入图片(边长)的四分之一(也就是第一阶段卷积输出的特征图大小)后拼接在一起, 卷积融合并减少特征数,产生低级融合特征

   # followed by 3 PReLU activation functions[He et al., 2015]
   self.reduce_low = nn.Sequential(
   nn.Conv2d(64 + 256 + 512, 256, kernel_size=3, padding=1), nn.BatchNorm2d(256), nn.PReLU(),
   nn.Conv2d(256, 256, kernel_size=3, padding=1), nn.BatchNorm2d(256), nn.PReLU(),
   nn.Conv2d(256, 256, kernel_size=1), nn.BatchNorm2d(256), nn.PReLU()
   )

   

3. 使用最后的第4/5阶段的输出特征图上采样(放缩到第4阶段输出的特征图大小)拼接后卷积获得高级融合特征

   self.reduce_high = nn.Sequential(
   nn.Conv2d(1024 + 2048, 256, kernel_size=3, padding=1), nn.BatchNorm2d(256), nn.PReLU(),
   nn.Conv2d(256, 256, kernel_size=3, padding=1), nn.BatchNorm2d(256), nn.PReLU(),
   _ASPP(256)
   )

4. 从高级融合特征中预测初始显著性图(S0), 然后开始进入一系列的RRBs结构中进行迭代
5. 在最终的输出作为最终的显著性图预测

[lartpang]

[lartpang]