具有净化机制与结构相似性损失的显著性目标检测

借助注意力机制自适应地加权图像特征，近期先进的基于深度学习的模型鼓励预测结果以尽可能大的可预测区域逼近真值掩码，从而取得最先进的性能。然而，这些方法对易误预测的小区域关注不足。因此，由于存在前景背景难区分的区域以及具有复杂或精细结构的区域，准确锁定显著性目标仍然困难。为解决这些问题，我们提出一种具有净化机制与结构相似性损失的新型卷积神经网络。具体而言，为更好定位初步显著性目标，我们首先引入提升注意力，其基于空间与通道注意力机制以促进对显著区域的关注。随后，为修复可被视作模型易错区域的难区分区域，我们提出修正注意力，其从错误预测区域中学习并引导网络聚焦于易错区域从而纠正错误。通过这两种注意力，我们利用净化机制对整个显著性目标的不同区域施加严格权重，并从难区分区域纯化结果，从而准确预测显著性目标的位置与细节。除对这些难区分区域施加不同注意力外，我们还考虑对复杂区域的结构约束并提出结构相似性损失。实验中，所提方法在六个数据集上以明显优势超越 19 种最先进方法，在单块 NVIDIA 1080Ti GPU 上速度超过 27FPS。