Highly Efficient Salient Object Detection with 100K Parameters论文解读

Paper: http://mftp.mmcheng.net/Papers/20EccvSal100k.pdf
Code: https://github.com/MCG-NKU/SOD100K

主要创新点

1. We propose a flexible convolutional module, namely gOctConv, to efficiently utilize both in-stage and cross-stages multi-scale features for SOD task, while reducing the representation redundancy by a novel dynamic weight decay scheme. 通用八度卷积模块----可以有效地利用阶段内和跨阶段的多尺度特征进行SOD任务，同时通过一种新颖的动态权重衰减方案来减少表示冗余。
2. Utilizing gOctConv, we build an extremely light-weighted SOD model, namely CSNet, which achieves comparable performance with ∼ 0.2% parameters (100k) of SOTA large models on popular SOD benchmarks. 构造轻量级网络，参数量只有100K。

Light-weighted Network with Generalized OctConv

OctConv:
核心原理就是利用空间尺度化理论将图像高频低频部分分开，下采样低频部分，可以大大降低参数量，并且可以完美的嵌入到神经网络中。降低了低频信息的冗余。
(传入的data是分高频和低频数据的。OctCon是训练四个卷积核，分别为h_h,h_l,l_h,l_l)
所谓高频分量，是指不经过高斯滤波的原始通道（或图像）； 所谓低频分量，是指经过t=2的高斯滤波得到的通道（或图像）。

原来的OctConv：一个阶段只有两个尺度，不足以引入SOD所需要的多尺度信息;每个尺度下的通道数需要手动设置。
gOctConv改进：1）支持任意输入和输出尺寸，多尺度表示; 2）内阶段和跨阶段的特征都可表示; 3）通过动态权重衰减和剪枝策略，可以学到不同尺度的通道信息；4）如果考虑大复杂度的灵活性，可以不用跨尺寸的特征交互。

(未完。。看这代码太难啦)