Apprentissage par Contraste Profond pour la Détection d'Objets Salients

La détection d'objets saillants a récemment connu des progrès substantiels grâce aux caractéristiques puissantes extraites à l'aide de réseaux neuronaux convolutifs profonds (CNNs). Cependant, les méthodes existantes basées sur les CNNs fonctionnent au niveau des patches plutôt qu'au niveau des pixels. Les cartes de saillance obtenues sont généralement floues, en particulier près des contours des objets saillants. De plus, les patches d'image sont traités comme des échantillons indépendants même lorsqu'ils se chevauchent, ce qui entraîne une redondance importante dans les calculs et le stockage. Dans cet article présenté à la CVPR 2016, nous proposons un réseau de contraste profond end-to-end pour surmonter ces limitations. Notre réseau profond comprend deux composants complémentaires : un flux entièrement convolutif au niveau des pixels et un flux de regroupement spatial par segment. Le premier flux produit directement une carte de saillance avec une précision au niveau des pixels à partir d'une image d'entrée. Le second flux extrait efficacement des caractéristiques par segment et modélise mieux les discontinuités de saillance le long des contours des objets. Enfin, un modèle CRF entièrement connecté peut être optionnellement intégré pour améliorer la cohérence spatiale et la localisation du contour dans le résultat fusionné issu de ces deux flux. Les résultats expérimentaux montrent que notre modèle profond améliore considérablement l'état de l'art.