Pyramid Feature Attention Network for Saliency detection //CVPR 2019论文解读

提出的问题:

Pooling层在降低feature map的同时，显著物体的边界也变得模糊

现有解决方法：

1. 引入手工特征来保留边界
2. 整合multi-level+multi-scale特征，深层包含全局上下文特征（准确定位显著物体位置），浅层包含空间结构特征（定位边缘）

存在的问题：

1. 难以融合这些独立提取的特征，同时这是一个费时的课程
2. 不加差别的融合这些high-level和low-level特征，导致次优效果;另外，gate function和progressive attention通常从单纯的一个方向来选择特征，并且忽视了高低级特征的差别

Contribution:

1. 提出Pyramid Feature Attention (PFA) Net. 考虑到low-level特征图包含许多noises，采用spatial attention module模型过滤背景细节；high-level特征图仅仅包含了一个大致的显著性区域，采用context-aware pyramid feature extraction module + CA module 获取上下文信息
2. 审计了一个新的edge preservation loss，引导网络在边界定位中学习更详细的信息
3. 实验效果- - -

流程：
用CPFE获取多尺度和多感受野获取high-level特征，用CA对不同channel分配不同权重(Figure1. f);
(Figure1. c)low-level特征图包含许多noises，不是所有边缘信息都有助于细化显著结果，选择更加关注于显著物体与背景之间的边界，用SA更好的关注有效的low-levle特征，获得更清楚的边界;最后再融合低高级特征。

框架

CPFE

CA+SA

Edge preservation loss

交叉墒：

Laplace 算子：

最终loss：

实验结果