黎玲利，孟令兵，李金宝

(1.黑龙江大学计算机科学技术学院，黑龙江哈尔滨150080；2.齐鲁工业大学（山东省科学院）山东省人工智能研究院，山东济南250014)

显著性目标检测旨在从输入图像中识别出最引人注目的对象，是很多计算机视觉任务的预处理步骤。传统的显著性目标检测方法主要依赖于手工提取的特征（如颜色、纹理、图像梯度等）来计算目标的显著度，虽然能对图像进行显著性检测，但是需要进行处理大量的显著性先验信息，限制了模型在复杂环境下检测的能力，并且传统的检测方法效率较低、检测时间较长。

早期的深度学习方法采用多层感知机进行显著性检测。例如，Zhao等[1]通过设计具有全局和局部上下文信息的模型检测目标的显著性。Lee等[2]利用低级特征辅助高级特征实现更精准的显著性检测。上述方法主要依赖于图像局部区域信息和全连接网络进行显著性目标检测，这些方法无法捕获显著性目标的空间结构信息，并且检测非常的耗时。

现有的研究工作[3-7]采用“编码-解码”结构的卷积神经网络进行显著性检测，大大提升了检测效果。例如，Pang等[3]提出聚合交互模块通过相互学习的方式，有效地利用相邻层的特征使网络自适应地提取多尺度信息。Xu等[4]提出交叉特征模块融合不同层次的特征，并且提出一种级联反馈解码器修正和细化显著图。Qin等[5]提出一个两级嵌套的RSU模块的U型方法。Liu等[6]通过整合全局上下文和多尺度的局部上下文以提升显著性检测性能。……