面向尺寸无关性显著物体检测：通用评估与优化方法
计算机视觉与模式识别
2025-10-06 v2 人工智能
机器学习
摘要
本文探讨了显著物体检测（SOD）中的一个基本且鲜有人关注的议题：在单张图像中存在显著尺寸差异的多个显著物体时，评估协议的尺寸无关性问题。首先，我们提出了一种新颖视角来揭示现有广泛使用的 SOD 指标内在的尺寸敏感性。通过严谨的理论推导，我们表明当前 SOD 指标在单张图像上的评估结果本质上可以分解为几个可分离项的和，其中每一项的贡献直接与其对应的区域大小成正比。因此，预测误差将由较大区域主导，而较小且可能在语义上更重要的物体常常被忽视，导致偏差的性能评估和实际降级。为解决这一挑战，提出了通用尺寸无关评估（SIEva）框架。核心思想是分别评估每个可分离组件，然后聚合结果，从而有效缓解了对象之间尺寸不平衡的影响。在此基础上，我们进一步开发了专门的优化框架（SIOpt），遵循尺寸无关原则，显著提升了对不同尺寸范围内显著物体的检测。值得注意的是，SIOpt 是模型无关的，可无缝集成到各种 SOD 主干网络中。理论上，我们还present了 SOD 方法的泛化分析，并提供了支持我们新评估协议有效性的证据。最终，全面的实验结果彰显了所提方法的有效性。代码已公开于 https://github.com/Ferry-Li/SI-SOD。
引用
@article{arxiv.2509.15573,
title = {Towards Size-invariant Salient Object Detection: A Generic Evaluation and Optimization Approach},
author = {Shilong Bao and Qianqian Xu and Feiran Li and Boyu Han and Zhiyong Yang and Xiaochun Cao and Qingming Huang},
journal= {arXiv preprint arXiv:2509.15573},
year = {2025}
}