摘要

基于深度神经网络的方法在显著目标检测方面取得了重大突破。然而，这些方法通常仅限于低分辨率图像（400×400像素或更低）。目前，很少有研究致力于训练深度神经网络直接处理超高分辨率图像中的显著目标检测问题。本文推动了高分辨率显著性检测的发展，并贡献了一个新的数据集，命名为高分辨率显著目标检测数据集（High-Resolution Salient Object Detection, HRSOD）。据我们所知，HRSOD是迄今为止首个高分辨率显著性检测数据集。作为另一项贡献，我们还提出了一种新颖的方法，该方法结合了全局语义信息和局部高分辨率细节，以应对这一具有挑战性的任务。具体而言，我们的方法包括一个全局语义网络（Global Semantic Network, GSN）、一个局部精炼网络（Local Refinement Network, LRN）和一个全局-局部融合网络（Global-Local Fusion Network, GLFN）。GSN基于下采样的整幅图像提取全局语义信息。在GSN结果的引导下，LRN专注于某些局部区域并逐步生成高分辨率预测。为了进一步增强空间一致性并提升性能，我们提出了GLFN。实验结果表明，我们的方法在高分辨率显著性数据集上大幅超越现有的最先进方法，并且在广泛使用的显著性基准测试中也达到了相当甚至更好的性能。HRSOD数据集可在https://github.com/yi94code/HRSOD 获取。