BASNet: Grenzbewusste auffällige Objekterkennung

Tiefe Konvolutionale Neuronale Netzwerke wurden für die auffällige Objekterkennung eingesetzt und haben die derzeit besten Ergebnisse erzielt. Die meisten vorherigen Arbeiten konzentrieren sich jedoch auf die Regionalgenauigkeit, nicht auf die Grenzqualität. In diesem Papier schlagen wir eine Predict-Refine-Architektur, BASNet, und einen neuen hybriden Verlust für die grenzbewusste auffällige Objekterkennung vor. Konkret besteht die Architektur aus einem dicht überwachten Encoder-Decoder-Netzwerk und einem Residual-Refinement-Modul, die jeweils für die Vorhersage der Auffälligkeit und die Verfeinerung der Auffälligkeitskarte verantwortlich sind. Der hybride Verlust führt das Netzwerk an, die Transformation zwischen dem Eingangsbild und der Wahrheit in einer dreistufigen Hierarchie – Pixel-, Patch- und Kartenebene – zu lernen, indem er Binary Cross Entropy (BCE), Structural SIMilarity (SSIM) und Intersection-over-Union (IoU) Verluste kombiniert. Ausgestattet mit dem hybriden Verlust ist die vorgeschlagene Predict-Refine-Architektur in der Lage, die auffälligen Objektregionen effektiv zu segmentieren und die feinen Strukturen mit klaren Grenzen genau vorherzusagen. Experimentelle Ergebnisse auf sechs öffentlichen Datensätzen zeigen, dass unsere Methode die derzeit besten Methoden sowohl in Bezug auf regionale als auch auf Grenzwertbewertungsmaße übertrifft. Unsere Methode läuft mit über 25 fps auf einer einzelnen GPU. Der Code ist verfügbar unter: https://github.com/NathanUA/BASNet.