论文摘要

尽管当前显著性目标检测已取得重大突破，它们在预测显著区域的"完整性"上仍存在局限性。本文把"完整性"的概念分为微 观完整性和宏观完整性两个层面。具体而言，在微观层面上，模型需要找出单个显著目标的所有部分。而在宏观层面上，模型需要发现图 片中的所有显著目标。为了达到对显著性目标检测的完整性学习，本文设计了一个新颖的完整性感知网络，该网络探索了三个重要模块。1）与现有模型不同，本文引入了一个多样化特征聚合（DFA）模块，用来生成具有不同感受野（即，拥有不同内核形状和上下文）的特 征，进而增强特征的多样性。此多样性是挖掘完整显著目标的基础。2）基于从 DFA 得到的多样化特征，本文又引入了通道完整性增强 （ICE）模块。其目的是增强能潜在突出完整显著目标的通道，同时抑制其他的干扰通道。3）在提取了增强的特征后，本文采用了部分-整 体验证（PWV）模块来确定目标特征的部分和整体是否有强烈的一致性。这种部分-整体的一致可以进一步提高每个显著目标微观层面的 完整性。为了证明 ICON 模型的有效性，本文在七个具有挑战性的基准上进行了全面实验。本文提出的 ICON 在多个指标上都优于基线 方法。值得注意的是，文所提出的 ICON 在假阴性率（FNR）方面在六个数据集上都比此前的最佳模型实现了约 10% 的相对提升。代码 和结果可见于: https://github.com/mczhuge/ICON.

阅读体会

提出问题

　　发现问题：未能检测完整的目标是显著性目标检测常见的问题，作者从微观-宏观视角去看待这个问题，宏观是能否准确检测显著性目标的数量，微观是目标的细节是否细致，作者针对两个问题设计了模块。
　　疑问：是两个对应的两个模块吗，还是整体的方法？

模型

借鉴思路

　　1)尽管这些方法是由不同动机驱动的， 但它们本质上都是为了建立不同特征之间的对应关系，以突出最重要的物体部分。
寻找前景与背景的关系（对立），部分与整体的关系（相似）