顯著性目標檢測論文U2Net閱讀筆記
U2Net論文筆記
這篇論文是一篇效果非常好的顯著性目標檢測的論文，效果非常好，這裡先放上實驗效果圖，體驗一下它的效果。
1. 論文摘要
在這篇論文中，我們設計了一個簡單但是非常有用的深度學習顯著性目標檢測網路U2Net。 U2Net是一個兩級的嵌套U型結構，這種設計和方式有一下幾個優點：
- 利用來自殘差U型模組（RSU）的不同尺度不同感受野的混合，能夠捕捉來自更多的不同尺度的上下文資訊（全局資訊）
- 採用RSU中的池化操作，U2Net在不增加計算複雜度的基礎上，可以提升整個模型架構的深度。
- 使用這種結構可以從頭訓練網路而不依賴於影像分類的演算法網路
針對U2Net論文中提出了兩種架構，第一個是U2Net（網路大小為176.3MB， 在GTX 1080Ti上推理速度為30FPS），第二個模型為U2Net^，網路大小為4.7MB,推理速度為40FPS。利用這兩種模型來解決不同環境的使用，在6個顯著性目標檢測數據集上兩種模型均實現了競爭性的結果。程式碼的開源地址為：//github.com/NathanUA/U-2-Net
U2Net演算法模型的總體架構：
2. 論文主要思想
文章的出發點主要針對以下幾個問題：
- 傳統的深度學習的基礎網路採用VGG， ResNet， Inception，DensNet，這種結構經過一系列的下取樣提取了原始影像的全局語義資訊，然而對於局部的細節以及全局對比資訊的關注度不夠（由於這些網路結構主要針對影像分類任務設計） ， 而且使用這種模型一般需要採用ImagNet上的預訓練模型，如果目標數據的分布與ImageNet的數據集分布差距較大的話，效果相對較差。怎樣設計一種能夠從頭訓練的新顯著性目標檢測的網路架構，並且演算法效果與已經存在的效果相比更好，就是一個需要考慮的問題。
- 傳統的網路架構採用一系列的下取樣（最大池化或者stride大於1的卷積）來減小feature map的解析度，從而降低算大的計算複雜度。然而針對分割任務而言，高解析度的feature map也是一個重要的因素，因此設計一個在較低的計算複雜度的情況下，隨著網路的加深能夠維持較高的解析度就是一個重要的問題。
一個非常簡單的架構U2Net很好的解決了上邊的問題，**U2Net是一個兩級的嵌入U型網路結構，這是一種新型的網路結構不需要進行預訓練，從頭訓練可以得到很好的結果。**而且，這種網路結構實現了在網路層數加深的 同時能夠保持較高的解析度。
3. 演算法介紹
為了實現上邊的功能，演算法引入了以下的幾個主要解決方案（創新點）。
兩級的U型嵌套結構：
- 底層是利用RSU在網路層數加深的情況下依然維持較高的解析度
- 高層，利用類似UNet的網路結構
3.1 殘差U型單元（RSU）
幾種基本的卷積神經網路的模組結構圖對比
從左到有依次是，基本的卷積模組，殘差模組， Inception模組，Dense模組，殘差U型模組。
看（e）的RSU模組， 利用U型單元模組，實現了低層高解析度的局部資訊與高層低解析度全局資訊的融合。
下邊是殘差模組與殘差u型模組的對比：
3.2 U2Net的架構
演算法的整體是一個U型的網路結構，其中每個模組都採用的殘差U型模組堆疊而成。
演算法實驗結果
