摘要

针对从视觉场景中发现并定位最具特色的物体，显著物体检测（SOD）在各种计算机视觉系统中发挥着重要作用。随着高分辨率时代的到来，SOD方法面临着新的挑战。以往方法的主要局限在于它们试图通过单一的回归任务在低分辨率下同时识别显著区域和估计准确的物体边界。这种做法忽略了这两个难题之间的内在差异，导致检测质量较差。本文提出了一种新颖的深度学习框架，用于高分辨率SOD任务，该框架将任务分解为一个低分辨率显著性分类网络（LRSCN）和一个高分辨率细化网络（HRRN）。作为像素级分类任务，LRSCN旨在在低分辨率下捕捉足够的语义信息以识别确定的显著区域、背景区域和不确定区域。HRRN是一个回归任务，其目标是在不确定区域内精确细化像素的显著值，从而在有限的GPU内存条件下保持高分辨率下的清晰物体边界。值得注意的是，通过在训练过程中引入不确定性，我们的HRRN能够在不使用任何高分辨率训练数据的情况下很好地解决高分辨率细化任务。在高分辨率显著性数据集以及一些广泛使用的显著性基准测试上的大量实验表明，所提出的方法相比现有最先进方法具有优越的性能。