摘要
现有的显著目标检测（SOD）研究主要集中在提取具有边缘信息的显著对象以及聚合多级特征以提升SOD性能。为了达到令人满意的性能，这些方法采用了精细的边缘信息和低多级差异。然而，性能提升和计算效率无法同时实现，这促使我们研究现有编码器-解码器结构中的低效问题，以避免这种权衡。为此，我们提出了TRACER，该方法通过引入注意力引导的追踪模块来检测具有明确边缘的显著对象。我们在第一个编码器的末尾使用了一个基于快速傅里叶变换的掩码边缘注意力模块，以将精细的边缘信息传播到下游特征提取过程中。在多级聚合阶段，联合注意力模块识别互补通道和重要的空间信息。为了提高解码器性能并优化计算效率，我们通过对象注意力模块减少了解码器块的使用。该模块从精炼的通道和空间表示中提取未检测到的对象和边缘信息。此外，我们提出了一种自适应像素强度损失函数，用于处理相对重要的像素，而传统的损失函数通常对所有像素一视同仁。与13种现有方法相比，TRACER在五个基准数据集上实现了最先进的性能。我们已将TRACER发布在https://github.com/Karel911/TRACER。