董 波，周 燕，王永雄

(上海理工大学 光电信息与计算机工程学院,上海 200093)

视觉显著性检测是对人类视觉注意力机制进行建模，准确定位图像中最重要的前景信息。作为计算机视觉任务的预处理过程，视觉显著性检测在诸多视觉任务中有着广泛的应用，包括场景分类[1]、图像检索[2]、图像自动编辑剪切[3]、视觉跟踪[3-5]、人脸再识别[6]和图像恢复[7]等。

受人类视觉感知系统的启发，早期的显著性模型[8-9]主要依靠计算的方式提取图像中的低层次特征(如颜色、灰度、形状、纹理等)，通过局部与全局分析等启发式互补先验[10-11]推断出显著性目标区域。但是，常规的局部特征缺乏识别显著性物体内部同质区域的能力，而全局特征受到复杂背景的影响，缺乏高级语义信息，限制了其应用复杂场景的能力。随着深度学习方法在计算机视觉方面的突破，用于图像识别任务的卷积神经网络，如(Very Deep Convolutional Networks，VGG)[12]和(Residual Neural Network，ResNet)[13]通过迁移学习进一步应用到其他计算机视觉领域。其中，全卷积神经网络(Fully Convolutional Networks，FCNs)[14]作为VGG的一种改进，在显著性检测任务中发挥重要的作用。该模型突破了早期模型计算方式的瓶颈，通过插值或学习反卷积滤波器进行上采样操作[15]，实现了对每个图像像素进行预测。与早期的模型相比，这种方法可以有效地提高密集标记任务的性能。然而，在密集标记任务中，FCNs框架的不完善之处在于其存在多尺度空间信息融合问题。大量的跨步卷积和池化操作导致基本的低层精细细节(底层次的视觉线索)丢失，而这些精细细节是无法通过上采样操作重建的。……