论文链接：https://arxiv.org/abs/2203.02688
代码;https://github.com/lartpang/zoomnet
1.摘要
最近提出的遮挡对象检测（COD）试图分割视觉上与其周围环境融合的对象，这在现实场景中是非常复杂和困难的。除了与它们的背景具有高度的内在相似性之外，这些对象通常在尺度上是多样的，外观上是模糊的，甚至严重遮挡。为了解决这些问题，我们提出了一种混合尺度三元网络，ZoomNet，模仿人类观察模糊图像时的行为，即放大和缩小。具体来说，我们的ZoomNet采用缩放策略，通过设计的尺度集成单元和分层混合尺度单元来学习区分性混合尺度语义，充分挖掘候选对象和背景环境之间的不可感知线索。此外，考虑到不可区分的纹理所带来的不确定性和模糊性，我们构造了一个简单而有效的正则化约束，即不确定性感知损失，以促进模型在候选区域中准确地产生具有更高置信度的预测。我们提出的高度任务友好的模型在四个公共数据集上始终超过现有的23种最先进的方法。此外，在SOD任务上优于最近的尖端模型的上级性能也验证了我们模型的有效性和通用性。
2.主要贡献
1.在COD任务中，我们提出了一种混合尺度的三元组网络ZoomNet，它通过描述和统一不同"缩放"尺度下的特定尺度的外观特征以及有针对性的优化策略，可以有效地捕获复杂场景中的对象。
2.为了获得被捕获对象的区分性特征表示，我们设计了SIU和HMU进行提取，聚合和加强特定于尺度和微妙的语义表示，以获得准确的COD。
3.我们提出了一种简单而有效的优化增强策略，UAL，该模型在不增加额外参数量的情况下，可以有效地抑制背景的不确定性和干扰
在4个COD数据集上对7种度量标准下的方法进行了比较，并在SOD任务中表现出了很好的泛化能力，与现有的SOD方法相比具有上级性能。
3.模型结构图
4.模型组成
HMU迭代式构造，iteration struction in the HMU
共享三元组特征编码器用于提取对应不同输入"缩放"尺度的多级特征，由分别用于特征提取和压缩的E-Net和C-Net组成，在尺度合并层采用SIU对不同尺度的关键线索进行筛选和融合，然后通过自顶向下的方式逐步融合特征。
求助于图像金字塔，具体来说基于单尺度输入定制了一个图像金字塔来识别被遮挡的物体，将尺度分为单尺度和两个辅助尺度，
4.1 三重特征编码器
由特征提取和通道压缩网络组成，E-net和C-net，E-net由常用的Resnet50组成,删除了layer4之后的结构，C-net进行级联，进一步优化计算，找到更紧凑的特征。
4.2 缩放合并图层
对于f_i1.5,使用"max-pooling+average-pooling"的混合结构下采样，有助于在高分辨率特征中保留对被封装对象的有效和多样的响应，对于f_i0.5，直接通过双线性插值进行上采样，然后这些特征被馈送到注意力生成器中，通过一系列卷积层计算三通道特征图，在softmax激活层之后，可以获得每个尺度对应的注意力图A^k (k∈{0.5,1.0,1.5})，并将其用作最终积分的各个权重。
Attention generator ：
将不同大小的图片信息concat，然后经过attention generator,是一系列的conv,用sequential函数，是一系列的，所以是串联的关系。对attn结果进行softmax操作并按通道数切成三部分，最后根据各个尺度的权重将三个尺度的特征加权求和得到lms。
这些涉及旨在选择性地聚合特定于尺度的信息，以探索不同尺度的微妙但是关键的语义线索，从而提高特征表示。
4.3 分层混合尺度解码器
4.3.1 分组迭代
〖g'〗_j1用于与下一组进行信息交换，〖g'〗_j2与〖g'〗_j3 用于信道调制，这种迭代混合策略努力从不同通道学习关键线索并获得强大的特征表示。从这个角度来看，HMU中的迭代结构可以等效于核金字塔结构。
4.3.2 通道式调制
〖〖〖{g〗'〗_j2}〗(j=1)^G,
被级联并通过一个小卷积网络转化为特征调制向量α，该特征调制向量α对另一个级联特征〖〖〖{g〗'〗_j3}〗 (j=1)^G进行加权，然后加权特征由卷积层处理：
4.4. Loss functions
损失函数：
引入置信感知损失
调整后发现λ发现余弦策略可以获得更好的性能
收拾回家行李，很着急，挤出时间日更，公式格式问题，以及复现细节后面会来填坑！