摘要
基于U-Net的方法在显著目标检测（SOD）中表现出色，但在两个方面存在问题。1）无差别地融合包含多个对象空间信息的编码器特征和包含显著对象全局信息的解码器特征，可能会将非显著对象的不必要的细节传递给解码器，从而阻碍显著性检测。2）为了处理模糊的对象边界并生成精确的显著图，模型需要额外的分支，例如边缘重建，这会导致计算成本增加。为了解决这些问题，我们提出了一种上下文融合解码器网络（CFDN）和近边缘加权损失函数（NEWLoss）。CFDN通过整合全局上下文信息来创建准确的显著图，从而抑制不必要的空间信息的影响。NEWLoss通过在对象边界上生成权重图，加速了对模糊边界的学习过程，而无需添加额外模块。我们的方法在四个基准数据集上进行了评估，并取得了最先进的性能。我们通过对比实验证明了所提方法的有效性。