摘要

全卷积神经网络（FCNs）在许多密集标签问题中表现出色。这些成功的关键支柱之一是从卷积层的特征中挖掘相关信息。然而，如何更好地聚合多级卷积特征图以进行显著目标检测仍是一个未充分探索的问题。在这项工作中，我们提出了Amulet，一种用于显著目标检测的通用多级卷积特征聚合框架。我们的框架首先将多级特征图整合为多个分辨率，从而同时融合粗略的语义信息和精细的细节信息。然后，它自适应地学习在每个分辨率下组合这些特征图，并利用组合后的特征预测显著性图。最后，高效地融合预测结果以生成最终的显著性图。此外，为了实现精确的边界推断和语义增强，低级层中的边缘感知特征图和低分辨率特征的预测结果被递归地嵌入到学习框架中。通过这种高效且灵活的方式聚合多级卷积特征，所提出的显著性模型能够提供准确的显著目标标记。广泛的实验表明，我们的方法在几乎所有比较评估指标上都优于现有最先进的方法。