BiconNet：一种用于显著目标检测的保边连通性方法

显著目标检测(salient object detection, SOD)被传统基于深度学习的方法视为逐像素显著性建模任务。当前SOD模型的局限在于像素间信息利用不足，通常导致边缘区域分割不完善与空间相干性低。如我们所证，仅以显著性掩码作为标签是次优的。为应对该局限，我们提出一种称为双边连通性网络(bilateral connectivity network, BiconNet)的基于连通性方法，其使用连通性掩码与显著性掩码共同作为标签，以有效建模像素间关系与对象显著性。此外，我们提出双边投票模块以增强输出连通性图，以及一种高效利用边缘特定特征的新颖边缘特征增强方法。通过在五个基准数据集上的综合实验，我们证明所提方法可插入任意现有最先进(state-of-the-art, SOTA)基于显著性的SOD框架，以可忽略的参数增长提升其性能。