杂乱中的显著物体：将显著物体检测推向前台

我们对显著物体检测（SOD）模型进行了全面评估。我们的分析指出了现有SOD数据集存在的一个严重设计偏差，即假设每张图像中至少包含一个在低杂乱度下清晰突出的显著物体。这种设计偏差导致最先进的SOD模型在现有数据集上评估时表现出饱和的高性能。然而，当应用于真实世界的日常场景时，这些模型的性能仍远不能令人满意。基于我们的分析，我们首先确定了一个全面且均衡的数据集应满足的7个关键方面。然后，我们提出了一个新的高质量数据集，并更新了之前的显著性基准。具体而言，我们的SOC（Salient Objects in Clutter）数据集包含了来自日常物体类别的具有显著和不显著物体的图像。除了物体类别标注外，每张显著图像还附有反映真实场景中常见挑战的属性。最后，我们报告了在我们的数据集上基于属性的性能评估。