摘要
共显著目标检测旨在检测一组图像中共同存在的显著目标，正逐渐受到关注。近期的研究工作通过注意力机制或额外信息来聚合常见的共显著特征，但这种方法可能导致对目标对象的响应不完整甚至错误。在本文中，我们致力于挖掘全面的共显著特征，同时在不引入任何额外信息的情况下减少背景干扰。为此，我们设计了一个民主原型生成模块，用于生成民主响应图，这些响应图覆盖了足够的共显著区域，从而涉及更多共显著对象的共享属性。随后，基于这些响应图可以生成一个综合原型，作为最终预测的指导。为了抑制原型中的噪声背景信息，我们提出了一种自对比学习模块，在该模块中正负样本对的形成不依赖于额外的分类信息。此外，我们还设计了一个民主特征增强模块，通过重新调整注意力值进一步强化共显著特征。大量实验表明，在相同的设置下，我们的模型比现有的最先进方法表现出更好的性能，尤其是在具有挑战性的实际案例中（例如，在CoCA数据集上，我们的方法在平均绝对误差（MAE）方面提高了2.0%，最大F值提高了5.4%，最大E值提高了2.3%，S值提高了3.7%）。代码将在不久后发布。