摘要
显著性目标检测是计算机视觉中的基础任务之一。现有的大多数算法主要致力于聚合预训练卷积神经网络的多层级特征。此外，部分研究尝试利用边缘信息进行辅助训练。然而，现有的边缘感知模型通常采用单向框架，仅将边缘特征用于提升分割特征，缺乏双向信息交互。受二值分割与边缘图之间逻辑关联的启发，本文提出一种新型的堆叠交叉精炼网络（Stacked Cross Refinement Network, SCRN），用于显著性目标检测。该框架通过堆叠交叉精炼单元（Cross Refinement Unit, CRU），旨在同时优化显著性目标检测与边缘检测的多层级特征。基于二者之间的逻辑关联，CRU设计了两种方向特异性的特征融合操作，实现两个任务之间的双向信息传递与协同精炼。将经过精炼的保边缘特征与经典的U-Net结构相结合，所提模型能够实现高精度的显著性目标检测。在六个基准数据集上进行的大量实验表明，该方法在检测精度与计算效率方面均优于现有最先进算法。此外，在SOC数据集上的属性分类性能评估显示，该模型在多数具有挑战性的场景下均取得第一名。代码已开源，可访问 https://github.com/wuzhe71/SCAN。