论文地址：https://arxiv.org/pdf/1611.04849v4.pdf
当前方法的问题
整体嵌套边缘检测模型（HED）明确地处理了尺度空间问题，在边缘检测方面比一般FCN模型有了很大的改进。然而，在HED模型中，具有深度监控的跳层结构并不能显著提高显著性检测的性能。
怎么解决这个问题
观察到 i）较深的侧输出编码高水平的知识，可以更好地定位突出的对象；ii）较浅的侧输出捕获丰富的空间信息。这促使作者通过在HED体系结构中引入跳跃层结构的短连接来开发一种新的显著目标检测方法。
基于HED的改进
在实验中，观察到更深的层可以更好地定位最显著的区域，因此基于HED的架构，将另一个侧输出连接到VGGNet中的最后一个池化层。此外，由于显著目标检测比边缘检测更困难，在每侧输出中添加了另外两个具有不同滤波通道和空间大小的卷积层。使用与HED中相同的双线性插值操作进行上采样。还使用一个标准的交叉熵损失来计算训练图像中所有像素的损失函数。
方法是基于这样的观察：较深的边输出能够找到显著区域的位置，但代价是丢失细节；较浅的边输出侧重于低级特征，但缺少全局信息。这些现象激励作者使用以下方法适当地组合不同的侧面输出，以便可以提取最具视觉特色的对象。
从功能的角度来看，架构可以看作是两个紧密相连的阶段，分别称为显著性定位阶段和细节细化阶段。显著性定位阶段的主要工作是寻找给定图像的最显著区域。对于细节细化阶段，引入了一种自顶向下的方法，即从深度输出层到较浅输出层的一系列短连接。这样考虑的原因是，借助于较深的侧边信息，较低的侧边输出既能准确地预测显著对象/区域，又能从较深的侧边输出中细化结果，从而得到稠密而准确的显著图。
实验结果对比
