相關(guān)工作
局部超像素與全局提議的組合來推測顯著性圖；
將低級空間特征嵌入cnn提取的特征，等。
作者由此提出基于各個層次特征圖加權(quán)融合的模型并加入了雙向信息傳遞，從高層語義到底層邊緣信息，以及反向傳遞。
模型結(jié)構(gòu)
該模型建立在一個基于vgg16的fcn結(jié)構(gòu)作為預(yù)訓(xùn)練模型，利用vgg16產(chǎn)生多尺度特征圖，其中刪去了所有全連接層以及最后一個池化層，得到5個層次的特征圖。然后對每個特征圖進(jìn)行上下文語義特征提取(MCFEM)，為了整合信息提出了雙向信息傳遞模型（GBMPM）。最后由高層向底層特征融合得出顯著性圖。
多尺度上下文感知特征提取
將vgg16輸出的5層特征圖分別進(jìn)行上下文感知特征提取，采用了4個不同膨脹率空洞卷積層進(jìn)行空洞卷積，詳細(xì)參數(shù)如下
因?yàn)榭斩淳矸e具有更大感受野，基本等效于增大卷積核尺寸卻不增多參數(shù)。
門控雙向信息傳遞
即高層語義特征指導(dǎo)底層邊緣信息，幫助定位顯著性區(qū)域，而底層邊緣信息則幫組高層特征重建目標(biāo)細(xì)節(jié)。之前有人做過特定兩層之間的信息雙向傳遞，而本文作者對每層都做了雙向傳遞?？紤]到不同層之間分辨率不同，在信息傳遞時分別做了上、下采樣。從低層向高層傳遞公式
但是不同尺度下的特征圖會有不同，因此在傳遞信息是需要加權(quán)也就是添加門操作(融合時也需要)，修正后公式
顯著性推理
有直接把各層顯著性圖上采樣至原圖大小相加的，作者融合特征圖時加多了一個卷積操作
實(shí)驗(yàn)結(jié)果
采用DUTS的訓(xùn)練集做訓(xùn)練，前13個卷積層用vgg16的參數(shù)初始化，其他的用truncated正則方法初始化，上、下采樣使用雙線性內(nèi)插。
總結(jié)
思路是多尺度的特征融合，借鑒了一篇目標(biāo)識別文章中中信息雙向傳遞，使每個尺度特征圖具有全局與細(xì)節(jié)信息，特征提取時采用空洞卷積，特征融合時也用到卷積。但感覺雙向傳遞帶來一些冗余信息。
