Boundary Aware PoolNet：基于PoolNet和BASNet的显著性目标检测

Posted on | | Visitors:
Words count in article: 666 字 | Reading time ≈ 3 分

Boundary-Aware-PoolNet

Boundary Aware PoolNet = PoolNet + BASNet : Deeply supervised PoolNet using the hybrid loss in BASNet for Salient Object Detection

Boundary Aware PoolNet = PoolNet + BASNet，即使用BASNet中的Deep Supervision和Hybrid Loss改进PoolNet。

经过评估，BAPoolNet的性能超过了之前的SOTA方法（注：在DUTS-TE数据集上进行测试，暂未在其它数据集上进行测试）。

相关文章汇总：

代码链接：

https://github.com/chouxianyu/Boundary-Aware-PoolNet

BAPoolNet结构

在PoolNet中Backbone是ResNet50时，模型自顶向下路径中有5个FUSE操作，我借鉴BASNet中的Deep Supervision和Hybrid Loss使用这5层输出的混合Loss之和进行梯度下降，我将这整个模型称为BAPoolNet(Boundary Aware PoolNet)，其结构如下图所示。

img

与PoolNet相比，BAPoolNet的不同之处为：

  1. 添加5个边路输出以进行Deep Supervision
  2. 在计算Loss时使用BCE损失、SSIM损失、IOU损失之和

除了对PoolNet的改进之外，BAPoolNet的其它实现细节和实验细节和PoolNet保持一致。

如何实现Boundary Aware PoolNet，具体请看代码。

BAPoolNet性能

5个边路输出可视化结果

img

视觉对比

img

量化对比

下表中MAE和maxF为各方法在DUTS-TE数据集上的测试结果。

Method Conference Backbone Size(MB) MAE↓ maxF↑
CapSal CVPR19 ResNet-101 - 0.063 0.826
PiCANet CVPR18 ResNet-50 197.2 0.050 0.860
DGRL CVPR18 ResNet-50 646.1 0.049 0.828
BASNet CVPR19 ResNet-34 348.5 0.047 0.860
U2Net CVPR20 RSU 176.3 0.044 0.873
CPD CVPR19 ResNet-50 183.0 0.043 0.865
PoolNet CVPR19 ResNet-50 260.0 0.040 0.880
BAPoolNet - ResNet-50 260.7 0.035 0.892

PR曲线

下图为各方法在DUTS-TE数据集上的测试结果。

img

F-measure曲线

下图为各方法在DUTS-TE数据集上的测试结果。

img

BAPoolNet代码

传送门：

相比于PoolNet，BAPoolNet代码的改动之处有：

  1. BCE Loss计算方法

    设置为reduction=mean而非reduction=sum，并且用sigmoid+BCE代替F.binary_cross_entropy_with_logits。

  2. PoolNetforward()返回结果

    PoolNet类返回了5个边路输出而非最终输出

  3. 整体Loss计算方法

    使用Hybrid Loss和Deep Supervision计算整体Loss

模型性能评估代码（MAE、F-measure等），我参考了：https://github.com/Hanqer/Evaluate-SOD

除了对PoolNet的改进之外，BAPoolNet的其它实现细节和实验细节和PoolNet保持一致。

Coding Environments：

1
2
3
4
5
6
7
Python 3.7.3
torch 1.4.0
torchvision 0.5.0
tensorflow  2.0.0
tensorboard 2.0.2
tensorboardX 2.1
……

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!