实验室主页：http://mmcheng.net/poolnet/
代码地址 ：https://github.com/backseason/PoolNet
论文地址 ：https://arxiv.org/pdf/1904.09569.pdf
摘要
我们解决的问题是最突出的目标检测，通过研究如何去扩大在卷积神经网络中池化的角色。基于U-shape架构，我们首先建立了一个全局向导模式（GGM），实现自下而上通道，目的是提高层在不同的特征水平的本地信息的潜在突出的目标。我们设计了一个特征聚类模型（FAM），来做粗糙水平的语义信息，很好的融合和精细水平特征，从上到下通道。通过增加FAMs在融合技术后在自上而下的通道，粗糙水平的特征从GGM中能够无缝合并特征在大量尺度上。这些两个池化基础的模式，允许高水平的语义特征逐步完善，生成细节丰富显著性图。实验结果表明我们的提出的方法有较高的精度在粗糙的目标上丰富细节，因此实质上提高性能对比先前的算法。我们的方法处理速度是非常快的，运行速度超过30FPS，在处理300*400图像分辨率上。
系统架构
全局向导模块
特征聚类模块
使用边缘检测加入训练
对比实验
系统运行速度
了解更多关于《计算机视觉与图形学》相关知识，请关注公众号：
下载我们视频中代码和相关讲义，请在公众号回复：计算机视觉课程资料