Boundary Aware PoolNet = PoolNet + BASNet，即使用BASNet中的Deep Supervision策略和Hybrid Loss改進PoolNet。
爲理解Boundary Aware PoolNet，我們並不需要學習整個BASNet，只需要瞭解其中的Deep Supervision策略和Hybrid Loss即可。
本文將簡單介紹BASNet的模型結構，重點介紹其Deep Supervision和Hybrid Loss的理論和代碼實現。
相關文章彙總：
BASNet
傳送門
- BASNet論文：https://openaccess.thecvf.com/content_CVPR_2019/html/Qin_BASNet_Boundary-Aware_Salient_Object_Detection_CVPR_2019_paper.html
- BASNet代碼：https://github.com/xuebinqin/BASNet
- BASNet論文閱讀筆記：https://zhuanlan.zhihu.com/p/355420066
BASNet結構
如上圖所示，BASNet模型包括Predict Module和Refine Module。
-
Predict Module
a U-Net-like densely supervised Encoder-Decoder network，作用是predict saliency map from input images。
其實這個Encoder-Decoder結構和FPN(特徵金字塔網絡)沒什麼區別吧。
-
Refine Module
refines the resulting saliency map of the prediction module by learning the residuals between the saliency map and the ground truth。
基於上述的2個Module，BASNet使用Deep Supervision(上圖中的Sup1-8)和Hybrid Loss進行模型訓練。
代碼
Predict Module的代碼在文件./model/BASNet.py中類BASNet中，Refine Module的代碼在文件./model/BASNet.py中類RefUnet中。
Deep Supervision
直白來講，Deep Supervision即使用神經網絡中多個層的Loss之和進行梯度下降。
如前文中BASNet結構圖所示，BASNet作者計算了Predict Module中的7層和Refine Module中的最後1層的Loss並進行求和，然後進行梯度下降，以此實現Deep Supervision。在計算邊路輸出時，需要進行上採樣和卷積使得邊路輸出的尺寸、通道數與輸入相同。
Deep Supervision的代碼在文件./model/BASNet.py的類BASNet的函數forward()中，可知類BASNet在forward()時返回了8個邊路輸出，後繼計算這8層的Hybrid Loss並求和進行梯度下降。
Hybrid Loss
直白來講，Hybrid Loss即在計算損失時使用BCE Loss、SSIM Loss、IOU Loss這3個損失之和而非只使用BCE損失函數。
Hybrid Loss的代碼在文件./basnet_trin.py中的函數muti_bce_loss_fusion()中。該函數的輸入爲BASNet的8個邊路輸出和輸入對應的標註，該函數使用函數bce_ssim_loss()計算1個邊路輸出與標註的3種Loss之和。
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!