我的笔记 摘要        当前用于提取显着性图的方法可识别输入的某些部分，这些部分对于特定的固定分类器而言最为重要。我们表明，这种对给定分类器的强烈依赖会阻碍其性能。为了解决这个问题，我们提出了与分类器无关的显着性图提取，该方法可以找到任何分类器都可以使用的图像的所有部分，而不仅仅是预先指定的部分。我们观察到，所提出的方法比以前的工作提取了更高质量的显着性图，同时在概念上简单且易于实现。

在给定图像中分割不同的对象一直是计算机视觉领域的一项众所周知的任务。多年来，我们已经看到自编码器到疯狂的深度学习模型（如 Deeplab）被用于语义分割。在所有模型的深海中，仍然有一个名字排在最前面，它就是U-Net。U-Net 于 2018 年发布，此后获得了巨大的普及，并以某种形式用于与分割相关的多种不同任务。在这篇博客中，我们将介绍 U-net 的一种变体，称为 U²-Net 或 U-squ