摘要

有效的卷积特征在显著性估计中起着至关重要的作用，然而如何学习具有强大表达能力的显著性特征仍是极具挑战性的任务。基于全卷积网络（FCN）的方法通常不加区分地直接使用多层级卷积特征，由于冗余细节的干扰，导致性能无法达到最优。为此，本文提出一种新型的注意力引导网络，该网络以渐进式方式有选择性地融合多层级上下文信息。所生成的注意力特征能够有效缓解背景信息的干扰，从而实现更优的检测性能。另一方面，观察发现，现有大多数算法通过利用主干特征提取网络的辅助输出（side-output）特征来进行显著性目标检测。然而，主干网络的浅层特征缺乏获取全局语义信息的能力，这限制了有效特征的学习。为解决该问题，本文进一步引入多路径循环反馈机制，以增强所提出的渐进式注意力驱动框架。通过多路径循环连接，顶层卷积层的全局语义信息被有效地传递至浅层网络，从而在本质上优化了整个网络的特征表达能力。在六个基准数据集上的实验结果表明，所提方法在性能上显著优于当前最先进的显著性检测算法。