Page 487 - 《软件学报》2026年第2期

966 软件学报 2026 年第 37 卷第 2 期

Image GT Ours PGNet PFS CTDNet GCPANet
图 11 不同模型的分割结果图

4 总 结

本文针对许多显著性目标检测模型存在小尺度物体分割困难和物体边缘分割质量差的问题提出了基于边缘
增强的宽解码器显著性目标检测方法, 使用融合差分卷积模块的残差网络来重点关注物体边缘特征, 结合另一条
分支的 Swin Transformer 网络提取的丰富全局语义特征. 在融合特征的过程中加入多尺度注意力模块, 综合学习
不同类型特征中的不同尺度图像特征, 在类型和尺度上完成信息互补, 抑制背景噪声特征, 提高模型泛化能力. 在
解码器中应用多级宽解码模块, 利用大卷积核扩大原始感受野, 更好地进行上下文建模, 进一步提升网络性能. 在
5 个公共基准数据集上, 模型取得出色表现. 本文还通过消融实验分析每个模块的有效性. 在后续研究工作中, 将
进一步研究如何在不提高计算成本的同时从高分辨率图像中获得清晰的显著目标分割.

References
[1] Cong RM, Zhang C, Xu M, Liu HY, Zhao Y. Research progress of RGB-D salient object detection in deep learning era. Ruan Jian Xue
Bao/Journal of Software, 2023, 34(4): 1711–1731 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/6700.htm [doi: 10.
13328/j.cnki.jos.006700]
[2] Xie CX, Xia CQ, Ma MC, Zhao ZR, Chen XW, Li J. Pyramid grafting network for one-stage high resolution saliency detection. In: Proc.
of the 2022 IEEE/CVF Conf. on Computer Vision and Pattern Recognition. New Orleans: IEEE, 2022. 11707–11716. [doi: 10.1109/
CVPR52688.2022.01142]
[3] He KM, Zhang XY, Ren SQ, Sun J. Deep residual learning for image recognition. In: Proc. of the 2016 IEEE Conf. on Computer Vision
and Pattern Recognition. Las Vegas: IEEE, 2016. 770–778. [doi: 10.1109/CVPR.2016.90]
[4] Liu Z, Lin YT, Cao Y, Hu H, Wei YX, Zhang Z, Lin S, Guo BN. Swin Transformer: Hierarchical vision Transformer using shifted
windows. In: Proc. of the 2021 IEEE/CVF Int’l Conf. on Computer Vision. Montreal: IEEE, 2021. 9992–10002. [doi: 10.1109/
ICCV48922.2021.00986]