图片 - ICCV2019的显著性文章一览 - 《深度学习论文阅读》

Employing Deep Part-Object Relationships for Salient Object Detection">Employing Deep Part-Object Relationships for Salient Object Detection
Structured Modeling of Joint Deep Feature and Prediction Refinement for Salient Object Detection">Structured Modeling of Joint Deep Feature and Prediction Refinement for Salient Object Detection
Selectivity or Invariance: Boundary-Aware Salient Object Detection">Selectivity or Invariance: Boundary-Aware Salient Object Detection
Towards High-Resolution Salient Object Detection
">Towards High-Resolution Salient Object Detection
Stacked Cross Refinement Network for Edge-Aware Salient Object Detection">Stacked Cross Refinement Network for Edge-Aware Salient Object Detection
Motion Guided Attention for Video Salient Object Detection">Motion Guided Attention for Video Salient Object Detection
Semi-Supervised Video Salient Object Detection Using Pseudo-Labels">Semi-Supervised Video Salient Object Detection Using Pseudo-Labels
EGNet: Edge Guidance Network for Salient Object Detection">EGNet: Edge Guidance Network for Salient Object Detection
Optimizing the F-Measure for Threshold-Free Salient Object Detection">Optimizing the F-Measure for Threshold-Free Salient Object Detection
PointCloud Saliency Maps">PointCloud Saliency Maps
TASED-Net: Temporally-Aggregating Spatial Encoder-Decoder Network for Video Saliency Detection
Saliency-Guided Attention Network for Image-Sentence Matching">Saliency-Guided Attention Network for Image-Sentence Matching
Joint Learning of Saliency Detection and Weakly Supervised Semantic Segmentation">Joint Learning of Saliency Detection and Weakly Supervised Semantic Segmentation
Depth-Induced Multi-Scale Recurrent Attention Network for Saliency Detection">Depth-Induced Multi-Scale Recurrent Attention Network for Saliency Detection
Deep Learning for Light Field Saliency Detection">Deep Learning for Light Field Saliency Detection
参考链接

Employing Deep Part-Object Relationships for Salient Object Detection

Yi Liu, Qiang Zhang, Dingwen Zhang, Jungong Han

本文主要意识到了CNN的显著性检测模型的预测结果不完整，觉得应该充分利用part-object关系，来更好的识别分割目标。文章只是利用了胶囊网络来处理，是默认了胶囊网络的使用是可以充分的利用这样的关系的，没有再辅助以其他的结构来进一步利用。

这篇文章主要方法借助Hinton的Matrix Capsules with EM Routing，也就是胶囊网络的改进版本。这里相对于上一篇Dynamic Routing Between Capsules有所改进，调整了胶囊的表示形式，调整了迭代算法。

本文中对于胶囊网络似乎没有改进太多，仅是利用分组（这一点倒是可以认为算是一种新的想法，类似与卷积神经网络引入分组卷积的操作）实现了计算量的减少，一定程度上缓解了原有胶囊网络计算量大的问题。另外，这里也认为类似于原始胶囊网络那样的“全连接”结构并不是很有效，这里使用分组反而会更有效。

实验效果一般吧。不过这也不能完全看效果，把胶囊网络引入显著性检测任务这算是第一篇了，这就算是一个很大的创新了。毕竟训练效果和训练方法、训练损失等等都有一定的关系。

通过这篇文章，倒也简单了解了下胶囊网络的知识。还是有点意思的。

Structured Modeling of Joint Deep Feature and Prediction Refinement for Salient Object Detection

Yingyue Xu, Dan Xu, Xiaopeng Hong, Wanli Ouyang, Rongrong Ji, Min Xu, Guoying Zhao

该方法将CRF集成到了网络中，不断地“集成和细化”多尺度上下文信息。“将深度特征和深度预测的结构信息建模到统一的CRF模型中,以进行联合细化，并开发了均值近似方法，以支持通过反向传播进行端到端模型训练”。

由于我对于CRF一些，均值场理论等知识缺少必要的了解，一些介绍不是太理解。需要补充补充知识。

论文的主要想法是，观察现有模型，可以发现，主要是利用特征与特征之间的信息传递，以及预测与预测之间的信息传递，而没有考虑特征与预测之间的信息的联合传递，即图c中所示的形式，文章就是在这样的结构的基础上设计的。

参考链接

http://openaccess.thecvf.com/ICCV2019.py