非局部深度特征在显著性目标检测中的应用

显著性检测旨在突出图像中最相关的对象。传统模型在显著性对象位于复杂背景之上时表现不佳，而深度神经网络则往往面临模型过于复杂、推理速度缓慢的问题。本文提出一种简化的卷积神经网络，通过多分辨率4×5网格结构融合局部与全局信息。不同于通常采用条件随机场（CRF）或超像素来强制空间一致性，我们设计了一种受Mumford-Shah泛函启发的损失函数，该函数对边界区域的误差施加惩罚，从而提升边界定位精度。我们在MSRA-B数据集上训练模型，并在六个不同的显著性检测基准数据集上进行测试。实验结果表明，所提方法在性能上达到当前最先进水平，同时将计算时间减少18至100倍，实现了近实时、高性能的显著性检测。