沈启金，龙观潮，陈羽中，2

1(福州大学 数学与计算机科学学院，福州 350105)2(空间数据挖掘与信息共享省部共建教育部重点实验室，福州 350105)

1 引 言

弱监督的图像显著性检测方法是在不完整的弱级别标注基础上进行建模，然后通过泛化能力强大的网络模型推断出完整的显著性目标物体.相比于强监督的图像显著性检测，弱监督的图像显著性检测没有像素级标注，在强监督的图像显著性检测中存在的边缘结构问题，在弱监督情况下将变得更加明显.此外，复杂背景下的显著性物体的定位在弱监督图像显著性检测任务中也将变得更具挑战性.

目前已经被提出的弱监督图像显著性检测方法[1-5]主要依赖深度神经网络的特征提取能力，并且以类别标签进行监督训练，通过类别响应机制得到一个局部的定位图，从而推断出完整的显著性目标物体.但是，由于局部的类别响应图缺少完整的细节，它在背景复杂的场景中的定位能力显得十分有限.另一方面，深度图是对场景中各点与相机之间空间距离的表示，噪声幅度较小的深度图不仅能提供丰富的位置信息，还可以反映物体的结构信息.虽然深度图适合作为弱监督图像显著性检测的辅助信息，但是现有的基于彩色(RedGreenBlue，RGB)图像的显著性检测方法并不适用于RGBD图像显著性检测任务.如Tang等人[6]利用凸包改进传统的流行排序显著性检测算法，Wu等人[7]利用元胞自动机进行图像协同显著性检……