[论文阅读] Exploring Dense Context for Salient Object Detection

论文地址：https://dx.doi.org/10.1109/TCSVT.2021.3069848
发表于：TCSVT 2021

Abstract

上下文在显著目标检测中起着重要作用。高级上下文描述了不同物体/物体不同部分之间的关系，因此有助于发现显著目标的具体位置；而低级上下文可以为显著目标边界的划分提供精细的信息。然而，现有的SOD方法还没有充分研究如何去感知并利用丰富上下文。常见的上下文提取策略，例如，利用大卷积核或者空洞卷积，其没有同时考虑effectiveness与efficiency，可能只能得到次优解。在本文中，我们致力于探索一种有效、高效的方式来学习上下文，最终实现准确的SOD。具体来说，我们构造了一个密集上下文探索(DCE)模块来捕捉密集的多尺度上下文信息，并进一步利用学到的上下文来提高特征的可辨识度。然后，我们将多个DCE模块嵌入至Encoder-Decoder架构中，以获取不同层次的密集上下文。此外，我们提出了一个带有注意力的skip connection，将有用的特征从编码器传到解码器，用于更好地探索密集上下文。大量的实验表明，我们提出的方法在六个基准数据集上取得了比18个SOTA更优的结果。

I. Motivation

目前获取多级上下文的方法主要有

• 使用大卷积核
• 堆叠小卷积核
• 使用空洞卷积

这几种，其实就是如何扩大感受野的问题。文中指出，前两种方法拥有较高的计算复杂度，需要消耗更多的显存，效率高而性能低；而后一种方法属于一种稀疏采样，在dilation rate较大的时候，容易造成上下文信息的丢失，效率高但性能低。为此，本文提出了DCE模块来解决这一问题。

此外，传统的skip connection直接将Encoder的特征concat至Decoder，能够实现一定的特征融合，并缩短Encoder特征与最终输出结果之间的路径，提升最终效果。然而Encoder、Decoder的特征存在一定的gap，Encoder所学到的特征中也包含着一些噪声，如果直接进行连接的话，会将无效信息引入最终结果中。为此，本文为skip connection引入了注意力机制。

II. Network Architecture

采用了Encoder(ResNet50)-Decoder架构。其中，SeE-SpE为skip connection注意力的组成部分，而DCE位于每个Decoder block后，用于对Decoder所学特征进行进一步处理。

III. Dense Context Exploration

在本节中，我们将讨论文章所提出的DCE模块。DCE模块由多个DCE block组成，因此我们先对其进行分析：

DCE block的具体流程如下：

• 对于输入特征图，利用1×1卷积进行通道降维
• 使用两个并行的 { 1 × k , k × 1 } \{1 \times k, k \times 1\} {1×k,k×1}、 { k × 1 , 1 × k } \{k \times 1, 1 \times k\} {k×1,1×k}卷积来对传统的k×k卷积进行近似，实现局部上下文提取
• 利用1×1卷积进行通道降维
• 使用3×3的空洞卷积来提取全局上下文

抛去两个用来降维的1×1卷积，DCE block可以简单看做为k×k空洞卷积前额外加了个传统的k×k卷积。那么接下来以单独的k×k空洞卷积为例对比，说明在其之前加一个k×k卷积的意义。为了描述方便，以一维的形式进行说明：

记输入向量为 a i a_{i} ai​，那么一个卷积核大小为3，dilation rate为3的空洞卷积的结果 c 0 c_{0} c0​可以记为： c 0 = f a ( a 0 , a 3 , a 6 ) c_{0}=f_{a}\left(a_{0}, a_{3}, a_{6}\right) c0​=fa​(a0​,a3​,a6​) 其中 f a f_{a} fa​为空洞卷积操作。可以看到，此时 { a 1 , a 2 , a 4 , a 5 , a 7 , a 8 } \left\{a_{1}, a_{2}, a_{4}, a_{5}, a_{7}, a_{8}\right\} {a1​,a2​,a4​,a5​,a7​,a8​}便丢失了。那么如果在空洞卷积之前加个传统卷积的话，则有：
c ~ 0 = f a ( b 0 , b 3 , b 6 ) = f a ( f c ( a 0 , a 1 , a 2 ) , f c ( a 3 , a 4 , a 5 ) , f c ( a 6 , a 7 , a 8 ) ) \begin{aligned} \tilde{c}_{0} &=f_{a}\left(b_{0}, b_{3}, b_{6}\right) \\ &=f_{a}\left(f_{c}\left(a_{0}, a_{1}, a_{2}\right), f_{c}\left(a_{3}, a_{4}, a_{5}\right), f_{c}\left(a_{6}, a_{7}, a_{8}\right)\right) \end{aligned} c~0​​=fa​(b0​,b3​,b6​)=fa​(fc​(a0​,a1​,a2​),fc​(a3​,a4​,a5​),fc​(a6​,a7​,a8​))​ 此时 a 0   a 8 a_{0}~a_{8} a0​ a8​所有九格的信息都得到了保留，即避免了信息的丢失。

之所以说DCE block既能做到effective也能做到efficient，是因为：

• (effective)采用了密集采样
• (effective)将k×k卷积与k×k空洞卷积结合起来，尽可能的避免了空洞卷积造成的信息丢失
• (efficient)将k×k卷积拆成了1×k与k×1卷积，降低了运算量

而DCE模块的结构如下所示：

其实从这种比较全局的角度来看，DCE就类似于Inception，将不同感受野学习到的信息给concat起来，只是区别在于Inception中的卷积被替换为了DCE block。多个DCE block构成了DCE模块，而每个DCE block只能提取某一固定尺度下的特征，因此，在DCE中，不同DCE block的 k k k是不同的( k k k对应着卷积核尺寸，在本文中，分别为3、5、7、9)。

这里创新的一点是，相邻DCE Block之间是相连的，当前DCE block的信息会传递至下一个DCE block。

IV. Attentive Skip-Connection

在本节中，我们将讨论文章所提出的Attentive Skip-Connection，其结构如下所示，可以进一步分为SeE Block与SpE Block两个部分：

Semantic Enhancement Block

在特征图中，不同的通道是对不同的语义进行响应的，因此需要将包含有价值语义的通道进行加强，反之进行削弱。SeE Block便是这么一种通道注意力模块。如图所示，其主要包含一个全局池化层(GAP)和两个全连接层，这三层的作用就是算权重，然后将得到的权重与输入特征进行pixel-wise乘便可以得到经过注意力强化后的特征。这里有趣的一点是尽管引入了两个FC层，但文中表示其并不会带来太多的计算开销。

Spatial Enhancement Block

其实从结构上看，SpE做的是注意力上的注意力，即对经过通道注意力后的特征图再进行一次注意力操作。而这次注意力的是从解码器特征学习而来，以尽可能去消除编码器解码器特征之间的gap。实验结果也证实了SpE的有效性：

可以看到，深层解码器特征(SpE_3)所生成的注意力图主要关注在对象的全局位置上，而浅层解码器特征(SpE_1)所生成的注意力图主要关注在对象的边缘上。通过这么个注意力，可以更好地利用浅层编码器得到的局部特征，以及深层编码器得到的全局特征。

落实到实现上，图级别的注意力只需要用一个卷积层及其附件实现即可。

V. Loss

本文所采用的的loss如下：
L = α ℓ b c e + β ℓ i o u + γ ℓ e d g e \mathcal{L}=\alpha \ell_{b c e}+\beta \ell_{i o u}+\gamma \ell_{e d g e} L=αℓbce​+βℓiou​+γℓedge​ 其中 α = β = γ = 1 \alpha=\beta=\gamma=1 α=β=γ=1。相比于传统BCE与IoU的组合而言，多了个edge preservation loss，该loss由PFAN(CVPR 2019)^[1]提出，作用是更好地对显著目标边界进行监督训练。

VI. Experiment

性能超越了18个最近模型，包括C2SNet(ECCV 2018)、RAS(ECCV 2018)、PAGRN(CVPR 2018)、DGRL(CVPR 2018)、R3Net(IJCAI 2018)、BMPM(CVPR 2018)、PiCANet(CVPR 2018)、DSS(CVPR 2017)、BASNet(CVPR 2019)、CPD(CVPR 2019)、PAGE(CVPR 2019)、PoolNet(CVPR 2019)、AFNet(CVPR 2019)、BANet(ICCV 2019)、CANet(TMM 2020)、DSR-Net(TCSVT 2020)、ITSD(CVPR 2020)、MINet(CVPR 2020)。

VII. Summary

本文在结构上算是比较简练的那一类，虽然是从上下文的角度出发，整体依然围绕着特征提取融合来做。

DCE与ASPP等模块类似，作用是更好地对特征进行处理，只是本文的DCE加在了每个Decoder Block之后而非仅加在Encoder-Decoder的特征处，更大的亮点在于向各DCE block间引入了信息流动。efficiency通过非对称卷积实现，算是早在Inception V3时提出的一种卷积核降参数策略；而effectiveness指的是在空洞卷积之前加一个同尺寸的普通卷积，既避免了只用空洞卷积造成的信息丢失，又避免了采用连续两个普通卷积带来的性能问题，有可能能成为使用空洞卷积时的一种技巧。

至于Attentive Skip-Connection，虽然和skip connection谈上了关系，但是从结构上依然可以看做是传统的对Encoder学到的特征进行后处理。其中的通道注意力部分与其他网络类似(都是一个全局平均池化后面跟两个全连接层)，亮点在于使用Decoder学到的特征来给Encoder特征做注意力。

Ref

[1] T. Zhao and X. Wu, “Pyramid feature attention network for saliency detection,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2019, pp. 3085–3094.

标签：Exploring,Salient,Dense,卷积,DCE,CVPR,特征,上下文,block
来源： https://blog.csdn.net/qq_40714949/article/details/118656503