本文已参加【新人创作礼】活动，一起开启掘金创作之路。
大多数深度学习方法在显著性预测时侧重于区域预测,但现在他们创建了一个新的损失函数,也考虑了目标的边界。
显著性预测,我们人类擅长于此,关注给定的图像或视频中的“重要”目标。(但没有很多方法考虑目标的边界)。现在有很多深度学习模型结合了不同的表示方式。
就像U-net方法一样，→内部特征也可以直接使用。
看起来他们的想法是对的 —— 他们的方法确实比其他SOTA方法更好。(大部分方法使用FCN→全卷积网络→有些实际上使用RNN网络进行迭代预测)。
解决这个问题有许多方法，但不知道哪一种是最好的。
这是一个非常有趣的选择。(第一个网络比第二个网络大得多→池化层没有真正使用)。
拼接→内部特性映射→更好的预测。
他们还手工创建了一个细化模块 —— 这类创新并不容易实现。此外，还调整了损失函数，成功地训练了整个网络。
边界损失项被添加到二元交叉熵中 —— SSIM也包括在内——这是相当大的。我还不知道这个度量是可微的。IoU 损失也被使用了→许多不同的损失被合并起来→这是我看到越来越多的趋势之一。
这些损失的组合 → 导致更平滑的预测。
损失越多越好？看来他们的情况就是这样：
