摘要

基于深度学习的显著性目标检测方法在全卷积神经网络（FCNs）的基础上取得了令人满意的性能表现。然而，大多数方法仍面临边界检测的挑战。当前最先进的方法虽采用特征聚合技术，能够较为准确地定位显著目标所在区域，但在分割完整目标、尤其是细长条状结构的精细边界时，往往表现不佳。因此，基于FCN的模型仍有较大的改进空间。本文提出了一种注意力反馈模块（Attentive Feedback Modules, AFMs），以更有效地挖掘目标的结构信息；同时引入边界增强损失函数（Boundary-Enhanced Loss, BEL），用于学习更加精细的边界特征。所提出的深度网络在五个广泛使用的显著性目标检测基准数据集上均取得了当前最优的性能表现，且在目标边界检测方面效果显著。该网络采用全卷积架构，运行速度达26 FPS，无需任何后处理步骤。