顯著物體檢測(cè)旨在模擬人類的視覺特征，并從圖像或視頻中提取最重要的區(qū)域。這些顯著性區(qū)域中的內(nèi)容稱為顯著對(duì)象。

近年來，基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的深度學(xué)習(xí)方法因其強(qiáng)大的特征提取功能而成功突破了傳統(tǒng)方法的局限性。它們已廣泛用于計(jì)算機(jī)視覺領(lǐng)域，甚至已成功用于顯著物體檢測(cè)。

由中國(guó)科學(xué)院西安光學(xué)精密機(jī)械研究所(XIOPM)的董永勝教授領(lǐng)導(dǎo)的研究小組提出了一種新型的邊緣信息引導(dǎo)的分層特征融合網(wǎng)絡(luò)，以實(shí)現(xiàn)精確的顯著目標(biāo)檢測(cè)。

在這項(xiàng)研究中，該方法采用深度學(xué)習(xí)方法來建立顯著性檢測(cè)策略。

低級(jí)邊緣信息用于指導(dǎo)顯著性圖生成。然后，使用一對(duì)一的分層監(jiān)督策略來生成高級(jí)語(yǔ)義信息和低級(jí)邊緣信息。最后，融合層次特征信息以完成精確的顯著物體檢測(cè)。結(jié)果發(fā)表在IEEE Transactions on Image Processing。

由于顯著性檢測(cè)是可以提高計(jì)算效率的相對(duì)基本的任務(wù)，因此它在計(jì)算機(jī)視覺的許多領(lǐng)域中發(fā)揮了重要作用，例如前景提取，視覺跟蹤，場(chǎng)景分類，語(yǔ)義分割，視頻摘要和圖像檢索。多年來，由于人工智能的爆炸式增長(zhǎng)，研究人員更加關(guān)注這一研究領(lǐng)域。