깊은 신경망 기반 방법이 주요 객체 검출에서 중요한 진전을 이루었습니다. 그러나 이러한 방법들은 일반적으로 저해상도 이미지($400 \times 400$ 픽셀 이하)에 제한되어 있습니다. 매우 고해상도 이미지에서의 주요 객체 검출을 직접 처리하기 위해 깊은 신경망을 훈련시키는 데 대한 연구는 아직 충분히 이루어지지 않았습니다. 본 논문에서는 고해상도 주요성 검출을 발전시키고, 새로운 데이터셋인 'High-Resolution Salient Object Detection (HRSOD)'를 제공합니다. 최선의 지식으로 판단할 때, HRSOD는 현재까지 처음으로 제시된 고해상도 주요성 검출 데이터셋입니다. 또한 다른 기여로, 전역 의미 정보와 지역 고해상도 세부 정보를 모두 통합하여 이 어려운 과제를 해결하는 새로운 접근법을 제안합니다. 구체적으로, 우리의 접근법은 Global Semantic Network (GSN), Local Refinement Network (LRN), 그리고 Global-Local Fusion Network (GLFN)로 구성됩니다. GSN은 전체 이미지를 다운샘플링하여 전역 의미 정보를 추출합니다. GSN의 결과를 바탕으로 LRN은 일부 지역에 집중하여 점진적으로 고해상도 예측을 생성합니다. GLFN은 공간 일관성을 강화하고 성능을 향상시키기 위해 추가로 제안되었습니다. 실험 결과, 우리의 방법은 고해상도 주요성 데이터셋에서 기존 최신 방법들보다 크게 우수한 성능을 보였으며, 널리 사용되는 주요성 벤치마크에서도 유사하거나 더 나은 성능을 달성했습니다. HRSOD 데이터셋은 https://github.com/yi94code/HRSOD에서 이용 가능합니다.