Page 479 - 《软件学报》2026年第2期

958 软件学报 2026 年第 37 卷第 2 期

以确保梯度的有效传播, 有助于减轻梯度消失或爆炸的问题, 可以加速网络的收敛速度. 并且逐层监督通过及时纠
正特征的分布, 有效避免特征漂移问题, 提高了模型的泛化能力.
2.2 差分卷积模块
在计算机视觉领域的一些任务, 如图像分类 [9] 和目标检测 [10] , 经典卷积方法通常能够提取出图像中目标的颜
色、纹理等基础特征, 这些特征已经足够辅助方法完成目标分类或定位. 然而, 在显著性目标检测任务中, 情况有
所不同. 传统卷积提取到的特征往往不足以满足显著性目标检测的要求. 这类分割任务期望得到高质量、逐像素
的分割结果, 而仅使用经典卷积方式常常会导致物体边缘分割模糊等问题.
针对以上问题, 本文提出了差分卷积模块. 差分卷积模块能够在特征提取过程中突出物体轮廓, 使得网络能够
更好地捕获边缘信息, 从而有效地改善显著性目标的边缘分割效果.
在早期的边缘检测 [11] 任务中, 研究人员通常依赖于先验知识来设计边缘检测算子 [12] . 这些传统的边缘算子主
要基于梯度计算, 通过显式地计算像素之间的差异来捕获用于边缘检测的关键梯度信息, 常用的边缘检测算子如
图 5 所示. 然而这些手工设计的边缘算子或者基于学习的边缘检测算法, 由于其浅层结构的局限性, 往往难以充分
表达图像的复杂特征. 相比之下, 在深度学习中, 卷积操作被广泛应用于学习丰富且分层的图像表示. 普通的卷积
核被用来探测局部图像模式, 但是这些卷积核的权重是从随机初始化开始优化的, 它们并没有直接编码梯度信息.
这导致它们在关注边缘相关特征方面的困难.

Roberts算子: Sobel算子:

+1 0 −1 +1 +2 +1
+1 0 0 +1
+2 0 −2 0 0 0
0 −1 −1 0
+1 0 −1 −1 −2 −1

图 5 经典的边缘检测算子

差分卷积 [13] 的出现缓解了传统边缘检测算子存在的问题, 差分卷积的核心思想是通过计算像素点与其相邻
像素之间的差值来突出边缘. 与传统的卷积核不同, 差分卷积采用特殊的差分核, 这个核对每个像素点与周围像素
进行差分运算, 从而得到一个新的特征表示. 像素间的差分可以表示为:

D(x,y) = I(x+1,y)− I(x,y) (1)
其中, D(x,y) 表示图像在位置 (x,y) 处的像素差分值, I(x,y) 表示图像在位置 (x,y) 处的像素值. 观察到差分卷积在
边缘检测领域的显著贡献, 受像素差分卷积 (pixel difference convolution, PDC) 方法 [14] 的启发, 对其中的差分卷积
结构进行了调整和改进. 本文提出的差分卷积模块具体结构如图 6 所示.

中心差分卷积

环形差分卷积
输入 输出
拼接 卷积 相加
径向差分卷积

经典卷积

图 6 差分卷积模块结构

{R i |i = 2,3} 输入差分卷积模块, 特征经过多分支的差分卷积区域, 分别使用中心
将残差网络流出的浅层特征
差分、角度差分和径向差分对特征进行卷积, 通过不同类型的卷积方式提取不同种类的细节信息, 在这些信息中