Page 475 - 《软件学报》2026年第2期

954 软件学报 2026 年第 37 卷第 2 期

随着信息技术的迅速发展, 智能终端设备的广泛应用使得图像和视频信息的获取变得更加便捷, 但也导致信
息量呈指数级增长, 带来了处理大量冗余数据的挑战. 在这种背景下, 如何从海量信息中筛选出有效信息变得至关
重要. 显著性目标检测具有以下 3 个方面的优势: 一是能够在图像或视频中有效分配计算资源, 使得对重要部分的
处理更加集中和高效; 二是弥补了传统图像处理方法的不足, 能够提高检测的精度和效率; 三是通过定位和突出图
像中最重要的目标, 所得到的检测结果能够符合人的理解认知, 使得识别更加直观和准确.
显著性目标检测 [1] 作为计算机视觉领域的研究热点, 具有多方面的研究价值. 在图像编辑中, 显著性目标检测
可以用于自动裁剪或增强图像中的主要目标. 在自动驾驶领域, 显著性目标检测可以帮助车辆识别和跟踪道路上
的行人、车辆等重要目标. 在医学影像分析中, 显著性目标检测可以用于辅助医生识别和定位疾病部位. 可以看出
显著性目标检测技术具有广泛的应用前景, 对于提升图像处理、模式识别、智能交通等领域的智能化水平具有重
要意义.
在研究初期, 传统的显著性目标检测方法往往针对低分辨率图像进行设计和优化, 主要目的是解决目标的定
位问题. 然而随着摄像设备技术的进步, 高清摄像头的普及使得设备能够捕捉到更加清晰、细节丰富的图像. 这些
高分辨率图像不仅能够提供更多的信息, 同时也为目标检测算法带来了更大的挑战. 在处理高分辨率图像时, 传统
的显著性目标检测算法暴露出了一些不足之处. 例如, 部分算法将高分辨率图像下采样到固定小尺寸后进行识别,
在缩放过程中, 小尺度物体的有效像素变得更少, 使得模型对小目标的检测性能不佳. 此外, 针对大尺度物体, 传统
算法无法很好地建模其全局信息, 导致在目标较大时难以进行准确的检测和定位. 另外, 高分辨率图像中的细节信
息更加丰富, 传统算法在物体边缘分割和细节提取方面表现不佳, 经常出现边缘分割模糊、粘连和残缺等问题, 如
图 1 所示, 导致检测结果的准确性和精度下降.

(a) 原图 (b) 真实标签 (c) PGNet模型预测
[2]
图 1 PGNet 模型的边缘分割缺陷

因此, 针对上述问题, 本文提出了基于边缘增强的宽解码器显著性目标检测方法. 在处理高分辨率图像时, 采
用轻量化的残差网络 [3] 进行细节特征提取, 同时利用 Swin Transformer 处理下采样后的图像来提取语义信息. 这
[4]
样一来, 既保证了计算量在合理可接受的范围内, 又能充分提取图像特征. 为确保细节特征与语义特征能正常融合
互补, 引入了多尺度注意力模块, 将融合后的特征在不同尺度上重新修正, 抑制多余的背景噪声. 在解码器阶段, 采
用内含大卷积核的多级宽解码器, 通过扩大原始感受野, 对特征进行更好的上下文建模, 从而提升模型的图像理解
能力.
本文第 1 节介绍显著性目标检测的相关方法和研究现状. 第 2 节介绍本文提出的基于边缘增强的宽解码器显
著性目标检测方法. 第 3 节通过对比实验验证所提模型的有效性. 第 4 节进行全文总结.

1 相关工作

1.1 显著性目标检测系统框架
常见的显著性目标检测系统框架如图 2 所示, 从图中可以看出, 显著性目标检测系统通常分为数据预处理、
特征计算和结果输出这 3 个部分.