左保川，张 晴

上海应用技术大学 计算机科学与信息工程学院，上海201418

显著性检测旨在通过模拟人类的视觉特征来提取人类感兴趣的图像显著区域。检测显著性物体需要理解整个图像以及图像中物体的语义信息和详细结构。因此，显著性检测是计算机视觉中的一个基本且具有挑战性的问题。在过去的十几年里，随着大数据和人工智能技术的快速发展，研究者们提出了很多经典的显著性检测方法，可以应用于多种计算机视觉任务，例如目标识别[1]、图像压缩[2]和图像修复[3]。

传统算法通常采用人工选择特征的方法检测和分割图像中的显著物体，基于局部或全局对比度[4-6]，人为选择基于像素或超像素级别的各种图像特征（例如颜色、强度和直方图），进行显著性计算。这些方法在简单的数据集上表现良好，但是当图像背景变得复杂时可能会检测失败，因为人工选择的低层特征无法有效捕获图像中隐藏的语义信息。此外，这些人为手动选择的特征大多是基于现有数据集的先验知识，因此在面临实际应用中的复杂场景时往往不能取得令人满意的检测效果。近年来，研究人员在显著性检测方法中引入了卷积神经网络（Convolutional Neural Network，CNN），它展示出了出色的特征表征和学习能力，可以自动且有效学习图像上下文信息。卷积神经网络[7]突破了传统人工特征的性能局限，并且在检测速度方面取得了很大的提升。随后研究者们提出了全卷积神经网络（Fully Convolutional Network，FCN）[8]，把全连接层变为卷积层，进一步促进了显著性检测的发展，提供了一种更高效和更完善的网络模型，实现了端到端的检测。……