陈维婧，周 萍，杨海燕，杨 青，陈 睿

1.桂林电子科技大学 电子工程与自动化学院，广西 桂林 541000

2.桂林电子科技大学 信息与通信学院，广西 桂林 541000

随着科学技术的快速发展，图片和视频的数量呈爆发式增长，如何从海量的图片中提取人们感兴趣的特征区域值得研究。显著性检测是通过计算机模拟人眼视觉注意机制，剔除图像中的冗余信息，提取出吸引人眼注意力的区域[1]。显著性检测作为图像处理的一种预处理技术，广泛应用于目标跟踪[2]、图像分割[3]、人员重新识别[4]和图像编码[5]等计算机视觉领域。

传统的显著性检测方法是采用手工设计特征，借鉴大量的先验知识（如：对比先验、背景先验、颜色先验等）来进行显著性判断的。最早是文献[6]提出的Itti 模型，该模型是在生物视觉的基础上，利用高斯金字塔计算图像的亮度特征图、颜色特征图和方向特征图得到初始显著图，再通过显著性融合得到最终的显著图。文献[7]提出了一种基于全局对比度的显著性区域算法（Histogram based Contrast，HC），该算法根据像素与像素之间的色彩差异计算显著性值，并产生具有全分辨率的显著性图。HC 算法虽然可以均匀地突出显著性区域，但是对背景较复杂的图像检测效果不理想。

近几年来，基于深度学习的图像显著性检测也得到广泛的应用，促进了显著性检测技术的发展。文献[8]提出了一种双向信息传递模型用于显著性检测，该模型采用空洞卷积改进多级特征图，并通过门控双向路径实现层与层之间的信息交换，但是由于双向传递带来了冗余信息，最终的显著图仍存在边缘信息丢失的问题。……