Page 486 - 《软件学报》2026年第2期

童彪 等: 基于边缘增强的宽解码器显著性目标检测方法 965

表 5 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 0.930 0.021 0.931 0.911 0.847 0.041 0.895 0.854
方法2 0.935 0.020 0.939 0.916 0.848 0.037 0.911 0.861

表 6 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 0.931 0.019 0.942 0.932 0.931 0.022 0.943 0.931 0.930 0.038 0.911 0.912
方法2 0.944 0.014 0.958 0.939 0.944 0.018 0.955 0.936 0.942 0.031 0.937 0.915

实验结果如表 7 和表 8 所示, 通过对比 4 种不同方法的性能表现, 可以得出一些结论. 相比于不使用多级宽解
码器模块的方法, 使用该模块能够显著提升模型的性能; 同时, 逐层辅助监督也能够对模型的性能产生积极的影
响. 进一步分析发现, 将多级宽解码器模块与逐层辅助监督相结合的方法 4 在性能上取得了最佳的表现, 证明了这
两种技术的互补性和有效性.

表 7 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 0.926 0.031 0.925 0.909 0.828 0.046 0.880 0.847
方法2 0.928 0.022 0.928 0.914 0.835 0.041 0.894 0.856
方法3 0.933 0.020 0.931 0.916 0.840 0.040 0.906 0.856
方法4 0.935 0.020 0.939 0.916 0.848 0.037 0.911 0.861

表 8 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 0.921 0.028 0.932 0.928 0.926 0.031 0.929 0.922 0.928 0.045 0.924 0.903
方法2 0.937 0.019 0.944 0.934 0.935 0.023 0.941 0.931 0.937 0.035 0.932 0.912
方法3 0.939 0.018 0.948 0.935 0.937 0.022 0.944 0.931 0.936 0.036 0.929 0.911
方法4 0.944 0.014 0.958 0.939 0.944 0.018 0.955 0.936 0.942 0.031 0.937 0.915

3.5 结果可视化

为了展示模型在高分辨率数据集上的优越性, 图 11 将本节方法和其他方法的预测图像进行可视化对比. 图中
第 1 列是数据集中的原图像, 第 2 列是图像所对应的真实标注, 第 3 列是本节方法训练 50 轮后的预测结果, 第 4 列
至最后一列是其他对比方法.
从图 11 中的分割结果可以观察到不同场景下的目标检测情况. 首先, 在图中第 1 行所示的复杂场景中, 对比
方法均未能成功检测出小尺度目标, 而本文方法成功检测并分割出了人物, 但不足之处在于错误地将人物的影子
也进行了分割. 其次, 在第 2、3、4 行的场景中, 对比方法未能正确理解显著目标, 例如第 2 行的白色楼梯和第 3
行飞机前的人物. 然而, 从第 5、6、7 行可以看出, 本文方法在分割具有复杂结构的物体时表现优异, 例如第 5 行
中叶子的轮廓和第 6 行中栅栏之间的缝隙. 相比之下, 对比方法存在无法分割、多分割、部分分割和边缘模糊等
问题, 这些问题严重影响了检测质量. 这表明本文提出的差分卷积模块有效提升了边缘特征的表达能力, 而多尺度
注意力模块和多级宽解码器模块有助于模型有效地关注不同尺度的目标, 从而提升了模型的物体理解能力和检测
准确性.