Ziel ist es, die auffälligsten Objekte aus visuellen Szenen zu entdecken und zu lokalisieren. Die Erkennung von auffälligen Objekten (SOD) spielt dabei eine wesentliche Rolle in verschiedenen Computer-Vision-Systemen. Mit dem Eintreten der Ära hoher Auflösungen stehen SOD-Methoden vor neuen Herausforderungen. Die wichtigste Einschränkung früherer Methoden besteht darin, dass sie versuchen, auffällige Bereiche zu identifizieren und gleichzeitig die genauen Objektgrenzen mit einer einzigen Regressionsaufgabe in niedriger Auflösung abzuschätzen. Diese Praxis ignoriert den inhärenten Unterschied zwischen den beiden schwierigen Problemen, was zu einem schlechten Erkennungsqualität führt. In dieser Arbeit schlagen wir ein neues tiefes Lernframework für die SOD-Aufgabe in hoher Auflösung vor, das die Aufgabe in ein Niedrigauflösendes Auffälligkeitsklassifikationsnetzwerk (LRSCN) und ein Hochauflösendes Verfeinerungsnetzwerk (HRRN) aufteilt. Als pixelbasierte Klassifikationsaufgabe ist das LRSCN so konzipiert, dass es ausreichende Semantik in niedriger Auflösung erfasst, um definierte auffällige, Hintergrund- und unsichere Bildbereiche zu identifizieren. Das HRRN ist eine Regressionsaufgabe, die darauf abzielt, den Auffälligkeitswert der Pixel im unsicheren Bereich präzise zu verfeinern, um bei begrenztem GPU-Speicher eine klare Objektgrenze in hoher Auflösung beizubehalten. Es sei erwähnt, dass durch die Einführung von Unsicherheit in den Trainingsprozess unser HRRN die hochauflösende Verfeinerungsaufgabe gut bewältigen kann, ohne irgende Daten in hoher Aurlösung zu verwenden. Ausführliche Experimente an hochauflösenden Auffälligkeitsdatensätzen sowie an etlichen weit verbreiteten Auffälligkeitsbenchmarks zeigen, dass das vorgeschlagene Verfahren im Vergleich zu den besten bisher bekannten Methoden überlegene Leistungen erzielt.请注意，最后一句中的“etlichen”应为“einigen”，这是笔误。正确的翻译应该是：Ausführliche Experimente an hochauflösenden Auffälligkeitsdatensätzen sowie an einigen weit verbreiteten Auffälligkeitsbenchmarks zeigen, dass das vorgeschlagene Verfahren im Vergleich zu den besten bisher bekannten Methoden überlegene Leistungen erzielt.