摘要
显著性检测是计算机视觉中的一个基本挑战。如何提取有效的特征是显著性检测的关键问题。近期的方法主要采用无差别地融合多尺度卷积特征。然而，并非所有特征都对显著性检测有用，有些甚至会产生干扰。为了解决这一问题，我们提出了一种金字塔特征注意力网络（Pyramid Feature Attention network），该网络专注于有效的高层次上下文特征和低层次空间结构特征。首先，我们设计了上下文感知金字塔特征提取（Context-aware Pyramid Feature Extraction, CPFE）模块，用于多尺度高层次特征图以捕捉丰富的上下文特征。其次，在CPFE特征图之后采用通道注意力机制（Channel-wise Attention, CA），在低层次特征图之后采用空间注意力机制（Spatial Attention, SA），然后将CA和SA的输出进行融合。最后，我们提出了一种边缘保留损失函数（Edge Preservation Loss），以引导网络学习边界定位中的更多详细信息。广泛的评估表明，在五个基准数据集上，所提出的方法在不同的评价指标下均优于现有的最先进方法。