【目标检测】开源 | CVPR2020 | F3Net在5个基准数据集上的6个评估指标上的性能SOTA

人工智能，每日面试题：

数据清理中，处理缺失值的方法是?

　　A.估算

　　B.整例删除

　　C.变量删除

　　D.成对删除

答案：见文章底部

下载完整原文，公众号回复：1911.11445

论文地址：http://arxiv.org/pdf/1911.11445v1.pdf 代码：https://github.com/weijun88/f3net 来源：中国科学院智能信息处理重点实验室 论文名称：F3Net: Fusion, Feedback and Focus for Salient ObjectDetection 原文作者：Jun Wei

目前大部分的显著性目标检测模型是通过对卷积神经网络中提取的多级特征进行聚类来实现的。然而，由于不同卷积层的接受域不同，这些层产生的特征存在较大差异。常见的特征融合策略(加法或拼接)忽略了这些差异，可能导致次优解。为了解决上述问题，本文提出了F3Net，它主要由交叉特征模块(cross featuremodule, CFM)和通过最小化新像素位置感知损失(PPA)训练的级联反馈解码器(CFD)组成。具体地来说，CFM旨在有选择地聚合多级特性。与加法和拼接不同，CFM能够自适应地在融合前从输入特征中选择互补成分，有效地避免了引入过多的冗余信息而破坏原有特征。CFD采用多级反馈机制，对前一层的输出引入不受监督的特征，对其进行补充，消除特征之间的差异。在生成最终的显著性映射之前，这些细化的特性将经过多次类似的迭代。此外，与binary cross entropy不同的是，PPA loss对像素的处理并不平均，它可以综合像素的局部结构信息，进而引导网络更加关注局部细节。来自边界或易出错部分的硬像素将得到更多的关注，从而强调其重要性。F3Net能够准确地分割出突出的目标区域，并提供清晰的局部细节。在5个基准数据集上进行的综合实验表明，F3Net在6个评估指标上的性能优于最先进的方法。

下面是论文具体框架结构以及实验结果：

每日面试题，答案：

正确答案：ABCD

　　由于调查、编码和录入误差，数据中可能存在一些无效值和缺失值，需要给予适当的处理。常用的处理方法有：估算，整例删除，变量删除和成对删除。

　　估算(estimation)。最简单的办法就是用某个变量的样本均值、中位数或众数代替无效值和缺失值。这种办法简单，但没有充分考虑数据中已有的信息，误差可能较大。另一种办法就是根据调查对象对其他问题的答案，通过变量之间的相关分析或逻辑推论进行估计。例如，某一产品的拥有情况可能与家庭收入有关，可以根据调查对象的家庭收入推算拥有这一产品的可能性。

　　整例删除(casewise deletion)是剔除含有缺失值的样本。由于很多问卷都可能存在缺失值，这种做法的结果可能导致有效样本量大大减少，无法充分利用已经收集到的数据。因此，只适合关键变量缺失，或者含有无效值或缺失值的样本比重很小的情况。

变量删除(variable deletion)。如果某一变量的无效值和缺失值很多，而且该变量对于所研究的问题不是特别重要，则可以考虑将该变量删除。这种做法减少了供分析用的变量数目，但没有改变样本量。

　　成对删除(pairwise deletion)是用一个特殊码(通常是9、99、999等)代表无效值和缺失值，同时保留数据集中的全部变量和样本。但是，在具体计算时只采用有完整答案的样本，因而不同的分析因涉及的变量不同，其有效样本量也会有所不同。这是一种保守的处理方法，最大限度地保留了数据集中的可用信息。

　　采用不同的处理方法可能对分析结果产生影响，尤其是当缺失值的出现并非随机且变量之间明显相关时。因此，在调查中应当尽量避免出现无效值和缺失值，保证数据的完整性。

点击右下角的“在看”，给出你的答案：

声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。