论文来源：IEEE Transactions on Neural Networks and Learning Systems

发表日期：2021

作者：Ge Zhu , Jinbao Li, and Yahong Guo

研究现状

当SOD任务中的前景与背景比较相似时，依赖于提取图像的颜色，纹理，形状等特征SOD检测方法，很难获取准确的分割结果。当前的有些方法引入了边缘信息，来解决边缘模糊的问题，但仍然有一定的限制。针对上述问题，作者提出了GFINet，有效提高了分割精度。

创新点

• GFAB: 逐步聚合多尺度特征，构建全局特征。
• B&NFPB：利用自相似架构，提取边缘特征，获得边缘引导信息和非边缘抑制信息。
• GFIM： 整合全局特征，边缘引导信息和非边缘抑制信息，产生最终的分割结果。
• BRA_Loss：指导网络将不同的权重分配给不同位置，使网络更多地关注边界附近的像素。

研究内容

作者提出的GFINet架构如下所示：

GFINet的工作流如下所示：

Global Feature Aggregation Branch

GFAB由HFE和BFA组成。

• HFE：提取全局上下文信息。通过ASPP来获取全局信息，并通过空间注意力机制来抑制噪声，获取关键信息。
• BFA：对编码器输出特征，过滤后的全局特征以及上一层输出进行整合，生成最终全局特征。

Boundary and Nonboundary Features’ Perception Branch

B&NFPB模块的工作流程如下所示：

Gated Feature Interaction Module

该模块有效整合先前的全局特征，实现对全局特征中非目标像素抑制以及对目标边缘的增强，并产生最终的分割结果。

非边缘特征对全局特征中非目标像素的抑制可视化：

Border Region Aware Loss

SOD采用的BCE损失，忽略了全局结构，导致目标边缘附近的像素预测的错误率更高，为了指导网络关注显着目标的全局结构和边界细节，作者提出了BRA损失，进一步提高分割精度。BRA损失定义入下：

作者定定义了前景和背景部分：

作者将损失定义为前景损失和背景损失两部分，并对他们赋予不同的权重：

其中β的定义如下所示：

实验

Dataset

作者在五个数据集上进行了实验，对应的数据集分别是 Pascal-S ， ECSSD， HKU-IS， Dut-omron， DUTS，其中DUTS包含10553个训练图像(DUTS-TR）和5019个测试图像（DUTS-TE），作者采用DUTS-TR作为训练集，其余数据集充当测试集。

评指估标

作者以Mean Absolute Error(MAE)， Mean Absolute Error_Boundary(MAE_b)，F-measure(F_β)， S-measure(S_m)，这4个值指标作为最终的分割效果评价指标。

实验结果

实验结果显示，作者的方法不仅可以抑制伪前景信息，还可以提高边界区域的质量。

可视化

从图中可以看出，GFINet在处理小物体，复杂目标任务重表现出色。

消融实验

作者为了验证B＆NFPB和GFIM的有效性进行了消融实验。

实验结果表明，这两个模块对模型分割性能的提高是有帮助的。

结论

针对SOD任务，作者提出的GFINet通过整合全局特征，利用边缘信息和非边缘信息对全局信息中的目标部分进行增强，对伪目标像素进行抑制，从而有效地提高模型的分割精度。

启发

作者在GFINet利用B&NFPB获取边缘信息和非边缘抑制信息的思路可以延伸到伪装目标检测任务中。
作者提出的GFIM模块可以实现对全局信息中的信息有选择的增强和抑制，这种整合边缘信息和全局信息的思路也可以应用到伪装目标检测任务中。