面向显著性目标检测的对比导向深度神经网络

深度卷积神经网络已成为近期显著性目标检测突破的关键要素。然而，现有的基于CNN的方法要么基于分块（区域级）的训练和推理，要么基于全卷积网络。前一类别的方法由于重叠分块之间存在严重的存储和计算冗余，通常非常耗时。为了克服这一缺陷，后一类别的方法试图在单次网络前向传播中直接将原始输入图像映射为预测的稠密显著性图。尽管效率很高，但这些方法难以检测不同尺度的显著性目标或弱语义信息的显著性区域。在本文中，我们开发了混合对比导向深度神经网络以克服上述局限性。我们的每个深度网络由两个互补组件构成，包括用于稠密预测的全卷积流和用于稀疏显著性推理的片段级空间池化流。我们进一步提出了一个注意力模块，该模块学习权重图以融合来自这两个流的两个显著性预测。设计了一种定制的交替方案，通过微调预训练的基线模型来训练这些深度网络。最后，可以选择性地应用结合了显著轮廓特征嵌入的定制全连接CRF模型作为后处理步骤，以提高这两个流融合结果的空间连贯性和轮廓定位。在六个基准数据集上的大量实验表明，我们提出的模型在所有流行的评估指标上均能显著优于现有技术。