迈向高分辨率显著目标检测

基于深度神经网络的方法在显著目标检测中已取得显著突破。然而，它们通常受限于低分辨率输入图像（$400\times400$ 像素或更低）。鲜有研究致力于训练深度神经网络直接处理极高分辨率图像中的显著目标检测。本文推进高分辨率显著性检测，并贡献了一个名为高分辨率显著目标检测（HRSOD）的新数据集。据我们所知，HRSOD 是迄今首个高分辨率显著性检测数据集。另一贡献是，我们还提出了一种新方法，其融合了全局语义信息与局部高分辨率细节，以应对这一挑战性任务。更具体地，我们的方法由全局语义网络（GSN）、局部细化网络（LRN）与全局-局部融合网络（GLFN）组成。GSN 基于下采样整图提取全局语义信息。在 GSN 结果引导下，LRN 聚焦于若干局部区域并逐步产生高分辨率预测。进一步提出 GLFN 以增强空间一致性并提升性能。实验表明，我们的方法在高分辨率显著性数据集上大幅优于现有 state-of-the-art 方法，并在广泛使用的显著性基准上取得与之相当甚至更优的性能。HRSOD 数据集可从 https://github.com/yi94code/HRSOD 获取。