摘要

图像显著性检测最近由于深度卷积神经网络的发展而取得了快速进展。然而，现有的方法都无法在检测到的显著区域中识别出物体实例。本文提出了一种显著实例分割方法，该方法可以为输入图像生成带有不同物体实例标签的显著性掩模。我们的方法包括三个步骤：估计显著图、检测显著物体轮廓和识别显著物体实例。对于前两个步骤，我们提出了一种多尺度显著性细化网络，该网络能够生成高质量的显著区域掩模和显著物体轮廓。一旦与多尺度组合分组和基于MAP的子集优化框架相结合，我们的方法就能生成非常有前景的显著物体实例分割结果。为了促进对显著实例分割的进一步研究和评估，我们还构建了一个包含1000张图像及其像素级显著实例注释的新数据库。实验结果表明，我们提出的方法能够在所有公开基准数据集上实现最先进的性能，不仅在显著区域检测方面表现出色，在我们新构建的数据集上的显著实例分割也达到了领先水平。