摘要
现有的最先进的显著目标检测网络依赖于预训练卷积神经网络（CNNs）的多级特征聚合。与高级特征相比，低级特征对性能的贡献较小，但由于其较大的空间分辨率而需要更多的计算资源。在本文中，我们提出了一种新颖的级联部分解码器（Cascaded Partial Decoder, CPD）框架，用于快速且准确的显著目标检测。一方面，该框架构建了部分解码器，通过丢弃浅层的大分辨率特征来加速处理。另一方面，我们观察到整合深层特征可以获得相对精确的显著图。因此，我们直接利用生成的显著图来优化骨干网络的特征。这一策略有效地抑制了特征中的干扰因素，并显著提高了其表示能力。在五个基准数据集上进行的实验表明，所提出的模型不仅达到了最先进水平的性能，而且运行速度远超现有模型。此外，所提出的框架还被进一步应用于改进现有的多级特征聚合模型，并显著提升了它们的效率和准确性。