DFNet：用于显著目标检测的判别性特征提取与集成网络

尽管卷积神经网络具有强大的特征提取能力，显著性检测仍存在一些挑战。本文聚焦于两方面的挑战：i) 由于显著目标以不同尺寸出现，使用单尺度卷积无法捕捉到合适的尺寸。此外，在不考虑其重要性的情况下使用多尺度卷积可能会使模型产生混淆。ii) 采用多级特征有助于模型同时利用局部和全局上下文。然而，同等对待所有特征会导致信息冗余。因此，需要一种机制来智能地选择不同级别中有用的特征。针对第一个挑战，我们提出了一种多尺度注意力引导模块。该模块不仅有效提取多尺度特征，还更加关注与显著目标尺度相对应的更具判别性的特征图。针对第二个挑战，我们提出了一种基于注意力的多级集成器模块，赋予模型为多级特征图分配不同权重的能力。此外，我们的锐化损失函数引导网络输出具有更高确定性且显著目标更不模糊的显著性图，其性能远优于交叉熵损失。我们首次采用四种不同的骨干网络以展示我们方法的泛化性。在五个具有挑战性的数据集上的实验证明，我们的方法达到了 SOTA 性能。我们的方法同样快速，能够以实时速度运行。