Tiefenüberwachte auffällige Objekterkennung mit kurzen Verbindungen

Die jüngsten Fortschritte bei der Salienzdetektion sind erheblich und profitieren hauptsächlich von der explosiven Entwicklung von Convolutional Neural Networks (CNNs). Die kürzlich entwickelten Algorithmen zur semantischen Segmentierung und Salienzdetektion basieren überwiegend auf vollständig konvolutionalen neuronalen Netzen (FCNs). Es gibt noch viel Raum für Verbesserungen über die generischen FCN-Modelle hinaus, die nicht explizit mit dem Skalenraumproblem umgehen. Der holistisch-nestete Kantendetektor (HED) bietet eine Skip-Layer-Struktur mit tiefer Überwachung zur Kanten- und Grenzenerkennung, aber der Leistungszuwachs von HED bei der Salienzdetektion ist nicht offensichtlich. In diesem Papier schlagen wir eine neue Salienz-Methode vor, indem wir kurze Verbindungen in die Skip-Layer-Strukturen innerhalb der HED-Architektur einführen. Unser Rahmen bietet reichhaltige multi-skalare Merkmalskarten in jeder Schicht, eine Eigenschaft, die entscheidend für die Durchführung der Segmenterkennung erforderlich ist. Unsere Methode liefert erstklassige Ergebnisse in 5 weit getesteten Benchmarks zur auffälligen Objekterkennung, mit Vorteilen in Bezug auf Effizienz (0,08 Sekunden pro Bild), Effektivität und Einfachheit im Vergleich zu bestehenden Algorithmen.