摘要
显著目标检测近年来取得了重大进展，这主要得益于使用深度卷积神经网络（CNNs）提取的强大特征。然而，现有的基于CNN的方法在操作时采用的是图像块级别而非像素级别。因此，生成的显著图通常较为模糊，尤其是在显著目标边界附近。此外，即使图像块之间存在重叠，它们仍被作为独立样本处理，导致计算和存储过程中出现显著的冗余。在2016年CVPR会议论文中，我们提出了一种端到端的深度对比网络以克服上述限制。我们的深度网络由两个互补组件构成：一个像素级别的全卷积流和一个分段的空间池化流。第一个流直接从输入图像生成具有像素级精度的显著图。第二个流高效地提取分段特征，并更好地建模了沿物体边界的目标显著性不连续性。最后，可以可选地整合一个全连接条件随机场（CRF）模型，以提高这两个流融合结果的空间连贯性和轮廓定位效果。实验结果表明，我们的深度模型显著提升了现有技术水平。