深度边缘感知显著性检测

得益于深度学习架构，视觉显著性领域取得了深刻进展，然而在处理具有复杂构图、多个显著目标以及不同尺度显著目标的场景时，仍存在三大阻碍检测性能的主要挑战。具体而言，现有方法的输出图空间分辨率依然较低，导致因步幅和池化操作而产生模糊边缘；网络往往忽略了具有补充显著性检测结果潜力的描述性统计先验与手工先验；不同层的深度特征大多处于孤立状态，有待有效融合以处理多尺度显著目标。本文通过一种新的全卷积神经网络以端到端方式联合学习显著边缘和显著性标签，从而解决这些问题。我们的框架首先采用卷积层将检测任务重新表述为密集标注问题，随后以分层方式将手工显著性特征整合到深度网络的低层和高层中，以利用可用信息实现多尺度响应，最后通过扩张卷积施加上下文来细化显著性图。通过这种方式，高效地融入了显著边缘先验，并在保持较低内存需求的同时显著提高了输出分辨率，从而产生了更清晰、更锐利的物体边界。在十个基准上的广泛实验分析表明，与最新的 SOTA 方法相比，我们的框架取得了一致的优越性能，并在复杂场景中表现出鲁棒性。