图片 - Learning Uncertain Convolutional Features for Accurate Saliency Detection - 《深度学习论文阅读》

一篇16年的文章，作者也提出了Amulet显著性检测模型。本文的模型则称为UCF。

主要结构

从图中可以看到，这里重点标出了两个点：

分别介绍。

受Dropout启发，提出了一种改进的方法。使用了一个利用伯努利分布（也可以是其他分布，当为伯努利分布的时候就是原始的Dropout）随机设定的与特征图相同大小的单通道掩膜。

因为常用的损失函数对于0值对应的函数值为0，所以对于这个伯努利分布（0/1）的情况，可以直接将M放到激活函数里面。

对于模型改造时，可以插在卷积与卷积之间，以及卷积与池化之间。

对于原始的具有“棋盘效应”的转置卷积提出了两种改进策略。最终使用了两种策略的加和。

左面的是一种受限的转置卷积，其卷积核的尺寸等于步长的整数倍。右面使用插值方法调整大小后，再使用一些卷积来进一步处理，最后二者相加。

这种减法策略不仅增加了像素级别的识别，还捕获了上下文对比度信息。可选地，我们可以采用多尺度预测图的集合来进一步提高性能。