基于多尺度上下文深度推理的显著性目标检测

为准确检测显著性目标，现有方法通常设计复杂的骨干网络架构以学习与融合强有力特征。然而，从融合特征执行显著性预测显著性推断模块，其架构设计受到的关注少得多，通常仅采用寥寥几个全卷积层。本文中，我们发现显著性推断模块有限的能力确实构成了根本的性能瓶颈，而增强其能力对于获得更好的显著性预测至关重要。相应地，我们提出一种采用多膨胀深度可分离卷积架构的深层且轻量的显著性推断模块。这样一种深层推断模块虽架构简单，却能从多尺度卷积特征直接对显著性目标进行快速推理，并以更少计算代价给出优越的显著性目标检测性能。据我们所知，我们首次揭示了推断模块对于显著性目标检测的重要性，并给出了一种兼具效率与精度的新颖架构设计。大量实验评估表明，我们的简单框架相比于具有复杂骨干设计的当前最优(state-of-the-art)方法表现更优。