Salient Object in Clutter

引用格式

[1] Fan D P , Zhang J , Xu G , et al. Salient Objects in Clutter[J]. 2021.

研究的背景

  1. 过去的SOD数据集存在一个严重的问题：不切实际地假设每一张图片中都需要包含至少一个清晰且不杂乱的显著性目标，这种设计偏差使得SOTA的模型在现有数据集上测试的时候达到了性能的饱和区——而应用在现实场景中的时候，它们还远不能令人满意。

  2. 作者认为提高数据集质量获得的模型的性能提升比设计精巧复杂的解码器获得的模型的性能提升更多，因此作者研究了许多数据集增强策略。

  3. 显著性检测任务分类。

    taxonomy

  4. 2015年来的DL-SOD模型总结。

    summary

    summary2

使用的方法（创新点）

  1. 首先贡献了一个全新的高质量数据集——SOC。该数据集有如下特点：首先，包含有显著性目标和无显著性目标两种图片，且显著性目标分为许多常见的种类。其次，除了目标的类别标注和实例级的gt之外，每张包含显著性目标的图片还标注了图片中包含的富有挑战性的属性(AC-外观改变，BO-大目标,CL-杂乱、前景背景相似,HO-目标的组成部分不相似,MB-运动模糊,OC-遮挡,OV-目标超过图像边界,SC-形状复杂,SO-小目标)。该数据集包含6000张图片，拥有超过80个类别。
  2. 研究了三种数据集增强策略：标签平滑——为了隐式强调突出显著性边界、防止过拟合；随机图像增强——为了使显著性模型适应各种场景；自监督学习——作为正则化策略从小数据集学习。

评估方法

  • MAE、max E-measure、S-measure

其他

  • 本文和A survey以及An In-Depth Survey三篇论文可以再次回顾，都是很好的综述文章。综述文章和SOTA模型可以一起看，了解各个SOTA模型为什么可以在某个属性上表现良好。

  • SOTA:

    1. traditional（1-5按序排列）：HCCH, RBD, COV, DRFI, WSC

    2. DL-based（1-10按序排列）：EGNet, CPDVgg, CVAE, R2Net, DFI, ABP, BAS, CAGVgg, RASNet, LDF

    3. 整体排名表格如下所示：

      benchmark

    4. 对于不同属性的排名表格如下所示：

      attribute_benchmark

  • 未来方向：

    direction