CGRNet（弱监督）
S. Liang, Z. Yan, C. Xie, H. Zhu, and J. Wang, “Scribble-based complementary graph reasoning network for weakly supervised salient object detection,” Comput. Vis. Image Underst., vol. 243, p. 103977, 2024, doi: 10.1016/J.CVIU.2024.103977.
本文提出了一种名为 CGRNet 的新型网络，用于弱监督下的显著性目标检测。该网络通过构建图表示来全局推理显著性区域之间的关系，从而有效利用稀疏的涂鸦标注。CGRNet 包含三个主要模块：图推理网络 (GIN)、边缘导向模块 (EOM) 和多引导显著性预测模块。GIN 利用图推理捕获像素之间的长距离依赖关系，EOM 显式地提取显著性目标的边界特征，而多引导显著性预测模块则通过密集融合策略 (DFS) 聚合多源语义信息，以获得完整的全局信息。实验结果表明，CGRNet 在五个基准数据集上取得了优异的性能，并在弱监督显著性目标检测方面取得了显著的进展。
主要特点：
- 互补图推理网络 (GIN)
双流交叉交互图推理管道: 分别处理边缘特征和显著特征，并使用图合作单元 (GCU) 进行交互，从而增强彼此的语义信息。
GCU: 通过矩阵乘法建立边缘图和显著图之间的关系，并实现语义信息的交叉转换。
图卷积: 对交互后的图表示进行卷积操作，进一步传播信息并增强图表示。
图重投影: 将学习到的图表示重新投影回二维空间，并与原始特征图融合，保留空间信息。 - 边缘导向模块 (EOM)
提取边界信息: 从边缘特征中提取边界线索，并通过 RCAB 块增强网络对边缘区域的关注。
Canny 边缘检测器: 用于从输入图像中显式提取边缘信息，并与 FCAM_e 融合，抑制噪声并生成鲁棒的边缘特征。 - 多指导显著度预测模块
多指导融合策略 (DFS): 将图表示、粗略显著图和边缘特征进行密集融合，逐步恢复显著目标的整体轮廓。
ASPP: 用于扩大网络的感受野范围，而不降低输入图像的分辨率。
损失函数：
- 部分交叉熵损失 (𝐿𝑝𝑐𝑒): 用于粗略显著图和细化显著图。
- 局部显著度一致性损失 (𝐿𝑙𝑠𝑐): 用于促进邻近区域和相似颜色的像素共享相同的显著度标签。
- 边缘预测损失 (𝐿𝑒): 用于边缘图。
实验结果：
- 性能: 在五个基准数据集上取得了最先进的性能，并与一些全监督方法相当。
- 效率: 模型参数和速度指标优于之前的方法。
- 可视化: 在各种场景下，CGRNet 能够准确地预测显著目标的轮廓，并有效地区分边界。
消融实验：
- EOM 和 𝐿𝑙𝑠𝑐 的有效性: 显著提高了模型的边界定位和结构恢复能力。
- GIN 的有效性: 有效地捕捉了像素之间的长距离依赖关系，促进了能量从标注区域向未标注区域的转移。
- GCU 的有效性: 增强了图表示之间的语义信息交互，从而提高了预测精度。
- DFS 的有效性: 有效地聚合了多源信息，生成了更精细的显著图。
- 节点数量的影响: 当节点数量为 8 时，模型性能最佳。
- 损失函数超参数 𝛼 的影响: 当 𝛼=2 时，模型性能最佳。
- 迭代训练的效果: 单次训练已经能够很好地拟合数据集，无需迭代训练。
局限性：
- 对非显著目标的误判: 这可能是由于标注场景的模糊性或遮挡场景的复杂性造成的。