Boundary Aware PoolNet = PoolNet + BASNet，即使用BASNet中的Deep Supervision策略和Hybrid Loss改进PoolNet。
为理解Boundary Aware PoolNet，我们并不需要学习整个BASNet，只需要了解其中的Deep Supervision策略和Hybrid Loss即可。
本文将简单介绍BASNet的模型结构，重点介绍其Deep Supervision和Hybrid Loss的理论和代码实现。
相关文章汇总：
BASNet
传送门
- BASNet论文：https://openaccess.thecvf.com/content_CVPR_2019/html/Qin_BASNet_Boundary-Aware_Salient_Object_Detection_CVPR_2019_paper.html
- BASNet代码：https://github.com/xuebinqin/BASNet
- BASNet论文阅读笔记：https://zhuanlan.zhihu.com/p/355420066
BASNet结构
如上图所示，BASNet模型包括Predict Module和Refine Module。
Predict Module
a U-Net-like densely supervised Encoder-Decoder network，作用是predict saliency map from input images。
其实这个Encoder-Decoder结构和FPN(特征金字塔网络)没什么区别吧。
Refine Module
refines the resulting saliency map of the prediction module by learning the residuals between the saliency map and the ground truth。
基于上述的2个Module，BASNet使用Deep Supervision(上图中的Sup1-8)和Hybrid Loss进行模型训练。
代码
Predict Module的代码在文件./model/BASNet.py中类BASNet中，Refine Module的代码在文件./model/BASNet.py中类RefUnet中。
Deep Supervision
直白来讲，Deep Supervision即使用神经网络中多个层的Loss之和进行梯度下降。
如前文中BASNet结构图所示，BASNet作者计算了Predict Module中的7层和Refine Module中的最后1层的Loss并进行求和，然后进行梯度下降，以此实现Deep Supervision。在计算边路输出时，需要进行上采样和卷积使得边路输出的尺寸、通道数与输入相同。
Deep Supervision的代码在文件./model/BASNet.py的类BASNet的函数forward()中，可知类BASNet在forward()时返回了8个边路输出，后继计算这8层的Hybrid Loss并求和进行梯度下降。
Hybrid Loss
直白来讲，Hybrid Loss即在计算损失时使用BCE Loss、SSIM Loss、IOU Loss这3个损失之和而非只使用BCE损失函数。
Hybrid Loss的代码在文件./basnet_trin.py中的函数muti_bce_loss_fusion()中。该函数的输入为BASNet的8个边路输出和输入对应的标注，该函数使用函数bce_ssim_loss()计算1个边路输出与标注的3种Loss之和。
Github（github.com）：@chouxianyu
Github Pages（github.io）：@臭咸鱼
知乎（zhihu.com）：@臭咸鱼
博客园（cnblogs.com）：@臭咸鱼
B站（bilibili.com）：@绝版臭咸鱼
微信公众号：@臭咸鱼
转载请注明出处，欢迎讨论和交流!