最后是O2OGM模塊，將Conv6-3提取的顯著性目標(biāo)特征信息與Conv2-2提取的邊緣特征結(jié)合后的特征分別與Conv3-3、Conv4-3、Conv5-3、Conv6-3每層提取的顯著性目標(biāo)特征進行融合，即圖中FF模塊的操作。FF操作很簡單，就是將高層特征上采樣然后進行拼接的操作，就可以達到融合的效果。

PFANet的結(jié)構(gòu)相對簡單，采用VGG網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)，然后將前兩層特征稱為低層特征，后三層特征稱為高層特征，對他們采用了不同的方式進行特征增強，以增強檢測效果。

首先是對于高層特征，先是采用了一個CPFE來增大感受野，然后再接一個通道注意力模塊，即完成了對高層特征的特征增強（這里的這個CPFE，其實就是ASPP）。

然后再對經(jīng)過了CPFE后的高層特征使用通道注意力(CA)。

以上即是高層特征的增強方法，而對于低層特征，處理得則更為簡單，只需要使用空間注意力模塊（SA），即可完成。

整個PFANet的網(wǎng)絡(luò)結(jié)構(gòu)很清晰，如下圖所示。

介紹完EGNet和PFANet兩種方法以后，就剩下SINet了。SINet的思路來自于19年的一篇CVPR的文章《.Cascaded partial decoder for fast and accurate salient object detection》。這篇文章里提出了CPD的這樣一個結(jié)構(gòu)，具體的可以取搜索一下這篇論文，詳細(xì)了解一下。

接下來我將介紹一個用于偽裝目標(biāo)檢測的網(wǎng)絡(luò)SINet。假設(shè)你是一頭饑腸轆轆的雄獅，此刻你掃視著周圍，視線突然里出現(xiàn)了兩匹斑馬，他們就是你今天的獵物，美食。確定好了目標(biāo)之后，那么就開始你的獵殺時刻。所以整個過程是你先掃視周圍，我們稱之為搜索，然后，就是確認(rèn)目標(biāo)，開始獵殺，我們稱之為確認(rèn)。我們的SINet就是這樣的一個結(jié)構(gòu)，他分為搜索和確認(rèn)兩個模塊，前者用于搜索偽裝目標(biāo)，后者用于精確定位去檢測他。

我們現(xiàn)在就具體來看看我們的SINet到底是怎么一回事。首先，我們都知道低層特征有著較多的空間細(xì)節(jié)，而我們的高層特征，卻有著較多的語義信息。所以低層的特征我們可以用來構(gòu)建目標(biāo)區(qū)域，而高層特征我們則可以用來進行目標(biāo)定位。我們將這樣一張圖片，經(jīng)過一個ResNet的特征提取器。按照我們剛才的說法，于是我們將前兩層稱為低層特征，最后兩層稱之為高層特征，而第三層我們稱之為中層特征。那么有了這樣的五層特征圖，東西已經(jīng)給我們了？我們該怎么去利用好這些東西呢？

首先是我們的搜索模塊，通過特征提取，我們得到了這么一些特征，我們希望能夠從這些特征中搜索到我們想要的東西。那我們想要的是什么呢？自然就是我們的偽裝線索了。所以我們需要對我們的特征們做一些增強的處理，來幫助我們完成搜索的這樣一個任務(wù)。而我們用到的方法就是RF。我們來看一下具體是怎么樣實現(xiàn)的。首先我們把整個模塊分為5個分支，這五個分支都進行了1×1的卷積降維，我們都知道，空洞卷積的提出，其目的就是為了增大感受野，所以我們對第一個分支進行空洞數(shù)為3的空洞卷積，對第二個分支進行空洞數(shù)為5的空洞卷積，對第3個分支進行空洞數(shù)為7的空洞卷積，然后將前四個分支的特征圖拼接起來，這時候，我們再采用一個1×1卷積降維的操作，與第五個分支進行相加的操作，最后輸出增強后的特征圖。

這個RF的結(jié)構(gòu)來自于ECCV2018的一篇論文《 Receptive field block net for accurate and fast object detection》，其作用就是幫助我們獲得足夠的感受野。

我們用RF對感受野增大來進行搜索，那么搜索過后，我們得到了增強后的候選特征。我們要從候選特征得到我們最后要的偽裝目標(biāo)的檢測結(jié)果，這里我們用到的方法是PDC模塊（即是部分解碼組件）。

具體操作是這樣的，所以接下來就應(yīng)該是對它們進行處理了逐元素相乘方式來減少相鄰特征之間的差距。我們把RF增強后的特征圖作為輸入，輸入到網(wǎng)絡(luò)里面。首先對低層的進行一個上采樣，然后進行3×3的卷積操作（這里面包含了卷積層，BN層還有Relu層），然后與更高一層的特征圖進行乘法的這樣一個操作，我們?yōu)槭裁词褂弥鹪叵喑四兀恳驗橹鹪叵喑朔绞侥軠p少相鄰特征之間的差距。然后我們再與輸入的低層特征進行拼接。

我們前面提到了，我們利用增強后的特征通過PDC得到了我們想要得到的檢測結(jié)果，但這樣的一個結(jié)果足夠精細(xì)嗎？其實，這樣得到的檢測結(jié)果是比較粗略的。這是為什么呢？這是因為我們的特征之間并不是有和偽裝檢測不相關(guān)的特征？對于這樣的多余的特征，我們要消滅掉。我們將前面得到的檢測圖稱之為，而我們要得到精細(xì)的結(jié)果圖，就得使用我們的注意力機制了。這里我們引入了搜索注意力，具體是怎么實現(xiàn)的呢？大家想一想我們前面把特征分成了低層特征、高層特征還有中層特征。我們平時一般都叫低層特征和高層特征，很少有提到中層特征的。其實我們這里這樣叫，是有打算的，我們認(rèn)為中層特征他既不像低層特征那么淺顯，也不像高層特征那樣抽象，所以我們對他進行一個卷積操作（但是我們的卷積核用的是高斯核函數(shù)方差取32，核的尺寸我們?nèi)?，我們學(xué)過數(shù)字圖像處理，都知道這樣的一個操作能起到一個濾波的作用，我們的不相關(guān)特征能被過濾掉）但是有同學(xué)就會問了，那你這樣一過濾，有用的特征不也過濾掉了嗎？基于這樣的考慮，我們把過濾后的特征圖與剛才的這個再來做一個函數(shù)，什么函數(shù)呢？就是一個最大化函數(shù)，這樣我們不就能來突出偽裝圖初始的偽裝區(qū)域了嗎？

SINet整體的框架如圖所示：

講了這么多，我們最后來看看實驗的效果，通過對這三篇文章的復(fù)現(xiàn)，我得到了下面的這樣一些結(jié)果。

可以看出，在精度指標(biāo)的評價方面，SINet相比于其他兩種方法都有很大提升，而PFANet模型結(jié)構(gòu)雖然很簡單，但他的效果也是最差的。

下面我們再看看可視化的效果：

責(zé)任編輯：lq