CVPR 2019开源论文 | BASNet：关注边界的显著性检测本文提出一种基于深度监督学习的前景提取构架BASNet，其在边缘感知上有优异的表现。https://mp.weixin.qq.com/s/fjq4UyDMN9Z9lvNZ7aNLWABASNet: Boundary-Aware Salient Object Detection论文学习_basnet: boundary-aware salient object detection,-CSDN博客文章浏览阅读7.9k次，点赞14次，收藏70次。Abstract深度卷积神经网络在显著目标检测上已有应用，并取得了state of the art的性能。但是之前的绝大多数工作都关注在区域的准确率上，而不是边界的质量上。这篇论文提出了一个预测-优化的框架，BASNet，以及一个新的针对边界感知显著目标检测的混合损失。特别地，该框架由一个密集监督的encoder-decoder网络和一个残差优化模块构成，分别负责显著预测和特征图（salienc..._basnet: boundary-aware salient object detection,https://blog.csdn.net/calvinpaean/article/details/1010362491.introduction

        将全卷积应用到显著性检测，显著性检测的2个挑战，1.显著性检测主要是由整张图像的全局的明暗对比度定义而来，而不是局部或像素点的特征；2.交叉熵损失函数，在判别边界像素点时，置信度都比较低，导致边界模糊。

1.为了捕获全局和局部的信息，提出了一个新的预测-优化网络，将unet的深度监督的encoder-decoder网络和一个新的残差模块结合，encoder-decoder将输入图像转换为一个概率图，而优化模块则通过学习粗糙的特征图和gt之间的残差来优化预测的输出.

2.为了取得高置信度特征图以及清晰的边界，提出了混合损失函数，将二元交叉熵损失，ssim和iou损失结合。

2.basnet

encoder-decoder模块，每个decoder的最后一层都由gt监督，优化模块通常被设计为一个残差模块，通过学习特征图和gt之间的残差Sresidual来优化预测到的粗略的特征图Scoarse，coarse图包括两个部分，1.模糊和噪点的边界；2.不均匀预测的区域概率。

 三个损失函数：