Boundary Aware PoolNet：基于PoolNet和BASNet的显著性目标检测

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改进PoolNet。

经过评估，BAPoolNet的性能超过了之前的SOTA方法（注：在DUTS-TE数据集上进行测试，暂未在其它数据集上进行测试）。

相关文章汇总：

• Boundary Aware PoolNet：基于PoolNet和BASNet的显著性目标检测

• Boundary Aware PoolNet(1)：PoolNet模型与代码介绍

• Boundary Aware PoolNet(2)：BASNet模型与代码介绍

• Boundary Aware PoolNet(3)：Boundary Aware PoolNet模型与代码介绍

代码链接：

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

BAPoolNet结构

在PoolNet中Backbone是ResNet50时，模型自顶向下路径中有5个FUSE操作，我借鉴BASNet中的Deep Supervision和Hybrid Loss使用这5层输出的混合Loss之和进行梯度下降，我将这整个模型称为BAPoolNet(Boundary Aware PoolNet)，其结构如下图所示。

与PoolNet相比，BAPoolNet的不同之处为：

1. 添加5个边路输出以进行Deep Supervision
2. 在计算Loss时使用BCE损失、SSIM损失、IOU损失之和

除了对PoolNet的改进之外，BAPoolNet的其它实现细节和实验细节和PoolNet保持一致。

如何实现Boundary Aware PoolNet，具体请看代码。

BAPoolNet性能

5个边路输出可视化结果

视觉对比

量化对比

下表中MAE和maxF为各方法在DUTS-TE数据集上的测试结果。

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曲线

下图为各方法在DUTS-TE数据集上的测试结果。

F-measure曲线

下图为各方法在DUTS-TE数据集上的测试结果。

BAPoolNet代码

传送门：

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

相比于PoolNet，BAPoolNet代码的改动之处有：

1. BCE Loss计算方法

   设置为reduction=mean而非reduction=sum，并且用sigmoid+BCE代替F.binary_cross_entropy_with_logits。

2. PoolNetforward()返回结果

   PoolNet类返回了5个边路输出而非最终输出

3. 整体Loss计算方法

   使用Hybrid Loss和Deep Supervision计算整体Loss

模型性能评估代码（MAE、F-measure等），我参考了：https://github.com/Hanqer/Evaluate-SOD

除了对PoolNet的改进之外，BAPoolNet的其它实现细节和实验细节和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）：@臭咸鱼

知乎（zhihu.com）：@臭咸鱼

博客园（cnblogs.com）：@臭咸鱼

B站（bilibili.com）：@绝版臭咸鱼

微信公众号：@臭咸鱼

转载请注明出处，欢迎讨论和交流!

---