显着的物体检测使计算机视觉更智能

显着物体检测旨在模拟人类的视觉特征，并从图像或视频中提取最重要的区域。这些显着性区域中的内容称为显着对象。

近年来，基于卷积神经网络(CNN)的深度学习方法因其强大的特征提取功能而成功突破了传统方法的局限性。它们已广泛用于计算机视觉领域，甚至已成功用于显着物体检测。

由中国科学院西安光学精密机械研究所(XIOPM)的董永胜教授领导的研究小组提出了一种新型的边缘信息引导的分层特征融合网络，以实现精确的显着目标检测。

在这项研究中，该方法采用深度学习方法来建立显着性检测策略。

低级边缘信息用于指导显着性图生成。然后，使用一对一的分层监督策略来生成高级语义信息和低级边缘信息。最后，融合层次特征信息以完成精确的显着物体检测。结果发表在IEEE Transactions on Image Processing。

由于显着性检测是可以提高计算效率的相对基本的任务，因此它在计算机视觉的许多领域中发挥了重要作用，例如前景提取，视觉跟踪，场景分类，语义分割，视频摘要和图像检索。多年来，由于人工智能的爆炸式增长，研究人员更加关注这一研究领域。