重新思考协同显著目标检测

在本文中，我们对图像的协同显著目标检测（CoSOD）问题进行了全面研究。CoSOD 是显著目标检测（SOD）的一个新兴且快速增长的扩展，旨在检测一组图像中共同出现的显著物体。然而，现有 CoSOD 数据集往往存在严重的数据偏差，假设每组图像包含视觉外观相似的显著物体。该偏差会导致在现有数据集上训练的模型的理想设置与有效性，在真实场景中受损，因为真实场景中的相似性通常是语义或概念层面的。为解决此问题，我们首先引入一个名为 CoSOD3k in the wild 的新基准，其需要大量语义上下文，比现有 CoSOD 数据集更具挑战性。我们的 CoSOD3k 包含 3,316 张精心筛选的高质量图像，分为 160 组并带有层次化标注。图像涵盖广泛的类别、形状、物体尺寸与背景。其次，我们整合现有 SOD 技术，构建了一个统一的、可训练的 CoSOD 框架，该领域长期缺乏此类框架。具体而言，我们提出一种新颖的 CoEG-Net，通过协同注意力投影策略增强我们先前的 EGNet 模型，以实现快速公共信息学习。CoEG-Net 充分利用先前大规模 SOD 数据集，显著提升了模型的可扩展性与稳定性。第三，我们全面总结了 40 种前沿算法，在三个具挑战性的 CoSOD 数据集（iCoSeg、CoSal2015 和我们的 CoSOD3k）上对其中 18 种进行基准测试，并给出更详细（即组级）的性能分析。最后，我们讨论了 CoSOD 的挑战与未来工作。我们希望本研究能强力推动 CoSOD 领域的发展。基准工具箱与结果发布于我们的项目页面 http://dpfan.net/CoSOD3K/。