对《Reverse Attention-Based Residual Network for Salient Object Detection》一文进行解析，并在代码复现过程中遇到了相关问题

论文原始文档获取：原文
源代码获取：源代码

该博客仅仅是在研读本文时遇到了一些问题并总结了一些体会，在此表示侵权必究，请及时告知以便采取措施。

本文主要聚焦于SOD所面临的一些挑战，在这些挑战中特别提到了两个典型的问题：一是模型架构过于复杂导致难以实现高效计算的目标；二是模型参数数量庞大限制了其实际应用效果。研究者们在此基础上提出了一个创新性的解决方案——该框架通过引入反向注意力机制实现了残差网络的优化设计，并命名为Reverse Attention-Based Residual Network。

前述部分作者讲的很仔细，我就不多赘述，只进行模型的讲解。

Initial Saliency Prediction

随后通过VGG-16架构进行处理，在其独特的网络框架设计下分别包含五个最大池化层。该网络在每个池化层之后生成五个不同尺寸的最大值特征图作为侧向输出。研究将最终池化层的输出定义为初始显著性（initial saliency）。作者首先对该初始显著性进行转换：通过一个1×1尺寸的卷积层将其转换为64维的空间特征表示，并设计了一个多尺度上下文模块（MSCM）来捕获全局显著性信息。该模块分为两个部分：一是使用大小为(2