解耦的高分辨率显著目标检测

显著目标检测(SOD)旨在从视觉场景中发现并定位最具区分性的目标,在各种计算机视觉系统中发挥着重要作用。步入高分辨率时代,SOD 方法正面临新的挑战。以往方法的主要局限在于,它们试图在低分辨率下通过单一回归任务同时识别显著区域并估计准确的物体边界。这种做法忽视了两个难题之间的内在差异,导致检测质量不佳。本文针对高分辨率 SOD 任务提出一种新颖的深度学习框架,将该任务解耦为一个低分辨率显著性分类网络(LRSCN)和一个高分辨率细化网络(HRRN)。作为一个逐像素分类任务,LRSCN 设计用于在低分辨率下捕获充足的语义信息,以识别确定的显著区域、背景区域和不确定区域。HRRN 是一个回归任务,旨在准确细化不确定区域中像素的显著性值,从而在有限的 GPU 内存下于高分辨率保留清晰的物体边界。值得注意的是,通过将不确定性引入训练过程,我们的 HRRN 无需使用任何高分辨率训练数据即可很好地处理高分辨率细化任务。在高分辨率显著性数据集以及一些广泛使用的显著性基准上的大量实验表明,所提方法相比当前最优(state-of-the-art)方法取得了更优性能。