Page 485 - 《软件学报》2026年第2期

964 软件学报 2026 年第 37 卷第 2 期

3.4 消融实验
为了验证网络的每个模块的必要性和有效性, 本文针对每个策略和模块分别在 5 个公共数据集上进行训练和
测试, 具体的消融实验如下.
(1) 差分卷积模块的有效性
本节对差分卷积模块进行消融实验, 旨在探究其对整体模型性能的影响. 定义了 3 种不同的训练方法, 包括:
方法 1 不使用差分卷积模块, 方法 2 对残差网络的深层特征使用差分卷积模块, 方法 3 对残差网络的浅层特征使
用差分卷积模块. 在这 3 组对照实验中, 其他训练参数均保持一致, 以确保实验结果的可比性. 随后, 在 DUTS 数据
集上对这 3 种方法进行了 50 轮训练, 并分别在低分辨率和高分辨率数据集上进行性能测试. 这样设计实验的目的
是观察不同位置引入差分卷积模块对模型性能的影响程度.
表 3 和表 4 的结果显示, 与方法 1 相比, 方法 2 和方法 3 使用了差分卷积模块, 表现更出色. 特别是在高清数
据集上, 性能提升更为显著, 这说明随着图像清晰度的提高, 差分卷积模块能更好地突出物体的边缘细节, 从而提
升分割质量. 相比于在网络深层添加差分卷积模块的方法 2, 方法 3 在浅层位置引入了这一模块, 且性能提升更为
显著. 这是因为浅层特征包含了大部分细节信息, 而深层特征主要包含上下文语义信息. 因此, 从效率和收益的角
度考虑, 在浅层位置添加差分卷积模块是更优的选择.

表 3 不同方法在低分辨率数据集上的实验比较结果

DUTS DUT-OMRON
方法
F max ↑ MAE ↓ E m ↑ S m ↑ F max ↑ MAE ↓ E m ↑ S m ↑
方法1 0.929 0.024 0.929 0.820 0.841 0.044 0.889 0.855
方法2 0.932 0.023 0.937 0.914 0.843 0.041 0.894 0.856
方法3 0.935 0.020 0.939 0.916 0.848 0.037 0.911 0.861

表 4 不同方法在高分辨率数据集上的实验比较结果

DAVIS-S HRSOD UHRSD
方法
F max ↑ MAE ↓ E m ↑ S m ↑ F max ↑ MAE ↓ E m ↑ S m ↑ F max ↑ MAE ↓ E m ↑ S m ↑
方法1 0.919 0.021 0.941 0.923 0.911 0.033 0.923 0.909 0.919 0.042 0.897 0.903
方法2 0.935 0.016 0.949 0.935 0.934 0.020 0.948 0.930 0.935 0.036 0.913 0.911
方法3 0.944 0.014 0.958 0.939 0.944 0.018 0.955 0.936 0.942 0.031 0.937 0.915

(2) 多尺度注意力模块的有效性
在讨论多尺度注意力模块对整体模型性能的影响时, 设置了两组对照实验. 在方法 1 中, 不使用多尺度注意力
模块, 而在方法 2 中则添加了该模块. 这两组实验保持了其他结构和训练参数不变, 以确保能够准确评估多尺度注
意力融合增强模块对模型性能的独立影响.
实验结果如表 5 和表 6 所示, 添加多尺度注意力模块的方法 2 相较于方法 1 在显著性目标检测任务中取得了
显著的性能提升. 这表明多尺度注意力模块在模型中的引入, 对提升性能发挥了重要作用. 这种模块能够通过在不
同尺度中计算注意力, 有效地将语义信息引导到细节信息中, 并抑制多余的噪声信息. 这样的处理方式有助于强化
特征中的细节信息, 修正融合特征中的潜在冲突, 从而改善了模型对特征的表征, 进而提升了性能表现. 因此, 多尺
度注意力模块能够有效地实现细节信息与语义信息的互补, 为模型性能的提升做出了重要贡献.
(3) 多级宽解码器模块的有效性
为了验证设计的多级宽解码器模块和逐层监督策略的有效性, 分别设置了 4 组对照网络. 在方法 1 中, 不使用
多级宽解码器模块, 并且不进行逐层监督; 在方法 2 中, 虽然不使用多级宽解码器模块, 但进行了逐层监督; 在方
法 3 中, 使用了多级宽解码器模块, 但没有逐层监督; 而在方法 4 中, 既使用了多级宽解码器模块, 又进行了逐层监
督. 这 4 组实验旨在系统地研究多级宽解码器模块和逐层监督对模型性能的影响.