Boundary Aware PoolNet：基於PoolNet和BASNet的顯著性目標檢測

Boundary-Aware-PoolNet

Boundary Aware PoolNet = PoolNet + BASNet : Deeply supervised PoolNet using the hybrid loss in BASNet for Salient Object Detection

Boundary Aware PoolNet = PoolNet + BASNet，即使用BASNet中的Deep Supervision和Hybrid Loss改進PoolNet。

經過評估，BAPoolNet的性能超過了之前的SOTA方法（注：在DUTS-TE數據集上進行測試，暫未在其它數據集上進行測試）。

相關文章彙總：

• Boundary Aware PoolNet：基於PoolNet和BASNet的顯著性目標檢測

• Boundary Aware PoolNet(1)：PoolNet模型與代碼介紹

• Boundary Aware PoolNet(2)：BASNet模型與代碼介紹

• Boundary Aware PoolNet(3)：Boundary Aware PoolNet模型與代碼介紹

代碼鏈接：

https://github.com/chouxianyu/Boundary-Aware-PoolNet

BAPoolNet結構

在PoolNet中Backbone是ResNet50時，模型自頂向下路徑中有5個FUSE操作，我借鑑BASNet中的Deep Supervision和Hybrid Loss使用這5層輸出的混合Loss之和進行梯度下降，我將這整個模型稱爲BAPoolNet(Boundary Aware PoolNet)，其結構如下圖所示。

與PoolNet相比，BAPoolNet的不同之處爲：

1. 添加5個邊路輸出以進行Deep Supervision
2. 在計算Loss時使用BCE損失、SSIM損失、IOU損失之和

除了對PoolNet的改進之外，BAPoolNet的其它實現細節和實驗細節和PoolNet保持一致。

如何實現Boundary Aware PoolNet，具體請看代碼。

BAPoolNet性能

5個邊路輸出可視化結果

視覺對比

量化對比

下表中MAE和maxF爲各方法在DUTS-TE數據集上的測試結果。

Method	Conference	Backbone	Size(MB)	MAE↓	maxF↑
CapSal	CVPR19	ResNet-101	-	0.063	0.826
PiCANet	CVPR18	ResNet-50	197.2	0.050	0.860
DGRL	CVPR18	ResNet-50	646.1	0.049	0.828
BASNet	CVPR19	ResNet-34	348.5	0.047	0.860
U2Net	CVPR20	RSU	176.3	0.044	0.873
CPD	CVPR19	ResNet-50	183.0	0.043	0.865
PoolNet	CVPR19	ResNet-50	260.0	0.040	0.880
BAPoolNet	-	ResNet-50	260.7	0.035	0.892

PR曲線

下圖爲各方法在DUTS-TE數據集上的測試結果。

F-measure曲線

下圖爲各方法在DUTS-TE數據集上的測試結果。

BAPoolNet代碼

傳送門：

• PoolNet代碼：https://github.com/backseason/PoolNet
• BASNet代碼：https://github.com/xuebinqin/BASNet
• BAPoolNet代碼：https://github.com/chouxianyu/Boundary-Aware-PoolNet

相比於PoolNet，BAPoolNet代碼的改動之處有：

1. BCE Loss計算方法

   設置爲reduction=mean而非reduction=sum，並且用sigmoid+BCE代替F.binary_cross_entropy_with_logits。

2. PoolNetforward()返回結果

   PoolNet類返回了5個邊路輸出而非最終輸出

3. 整體Loss計算方法

   使用Hybrid Loss和Deep Supervision計算整體Loss

模型性能評估代碼（MAE、F-measure等），我參考了：https://github.com/Hanqer/Evaluate-SOD

除了對PoolNet的改進之外，BAPoolNet的其它實現細節和實驗細節和PoolNet保持一致。

Coding Environments：

Python 3.7.3
torch 1.4.0
torchvision 0.5.0
tensorflow  2.0.0
tensorboard 2.0.2
tensorboardX 2.1
……

---

Github（github.com）：@chouxianyu

Github Pages（github.io）：@臭鹹魚

知乎（zhihu.com）：@臭鹹魚

博客園（cnblogs.com）：@臭鹹魚

B站（bilibili.com）：@絕版臭鹹魚

微信公衆號：@臭鹹魚

轉載請註明出處，歡迎討論和交流!

---