摘要
深度卷积神经网络在显著物体检测中已经取得了具有竞争力的性能，其中如何学习有效且全面的特征起着关键作用。大多数先前的研究主要采用了多层特征融合的方法，但忽略了不同特征之间的差距。此外，在自上而下的路径中，高层特征也存在稀释过程。为了解决这些问题，我们提出了一种名为GCPANet的新网络，通过一些渐进式上下文感知的特征交织聚合（Feature Interweaved Aggregation, FIA）模块有效地整合低层外观特征、高层语义特征和全局上下文特征，并以监督方式生成显著图。此外，我们还使用了头部注意力（Head Attention, HA）模块来减少信息冗余并利用空间和通道注意力增强顶层特征，以及自精炼（Self Refinement, SR）模块进一步优化和提升输入特征。为了在不同阶段生成全局上下文信息，我们设计了全局上下文流（Global Context Flow, GCF）模块，旨在学习不同显著区域之间的关系并缓解高层特征的稀释效应。实验结果表明，在六个基准数据集上的测试中，所提出的算法在定量和定性方面均优于现有的最先进方法。