SalFAU-Net: Saliency Fusion Attention U-Net for Salient Object Detection

本文介绍了显著性目标检测（SOD）在计算机视觉中的重要性，并且这项技术在图像分割和自动驾驶等领域有着广泛的应用。在过去的几十年中，基于完全卷积网络（FCN）的方法在视觉显著性检测方面取得了显著的进展。然而，这些方法在准确检测显著对象方面存在一定的局限性，特别是在具有多个对象、小对象或低分辨率对象的复杂场景中。为了解决这个问题，本文提出了一种Saliency Fusion Attention U-Net（SalFAU-Net）模型，该模型在每个注意力U-net模型的解码器块中都加入了显著性融合模块，以从每个解码器块生成显著性概率图。SalFAU-Net采用注意机制来有选择地聚焦于图像中最具信息量的区域，并抑制非显著区域。我们使用二元交叉熵损失函数在DUTS数据集上训练SalFAU-Net。我们在六个流行的SOD评估数据集上进行实验，以评估所提出方法的有效性。实验结果表明，我们的方法SalFAU-Net在平均绝对误差（MAE）、F-measure、s-measure和e-measure等方面与其他方法相比具有竞争性的性能。

论文旨在解决图像中多个、小尺寸或低分辨率物体的显著性检测问题。

论文提出了一种名为SalFAU-Net的模型，将显著性融合模块引入到注意力U-Net模型的每个解码器块中，从每个解码器块生成显著性概率图。SalFAU-Net采用注意力机制，选择性地聚焦于图像中最具信息量的区域并抑制非显著区域。

论文在DUTS数据集上使用二元交叉熵损失函数训练了SalFAU-Net，并在六个流行的显著性检测数据集上进行了实验，评估了所提出方法的有效性。实验结果表明，SalFAU-Net在平均绝对误差（MAE）、F-度量、s-度量和e-度量方面与其他方法具有竞争力的性能。

最近在显著性检测领域中的相关研究包括：1. Deep Contrast Learning for Salient Object Detection (CVPR 2020)；2. Progressive Fusion for Unsupervised Binocular Depth Estimation using Cycled Networks (CVPR 2020)；3. High-Resolution Representations for Labeling Pixels and Regions (CVPR 2020)。