《表1 不同类型显著性目标检测方法分析比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的显著性目标检测综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

通过以上分析及表1可以看出，现有基于深度学习的显著性目标检测方法边界模糊的原因和相应的解决方法可以归纳为以下几类：（1）深度模型包含许多下采样操作，上采样后的特征难以恢复原有的空间信息，融合后引起边界模糊。因此，为了减小下采样操作引起的多尺度融合损失，引入一些特定操作，如Pool Net算法中采用功能聚合模块等。（2）针对不同因素对边界检测的影响，通过编码低层特征距离来检测边界信息，定位显著性目标轮廓，如ELD算法和KSR算法；或者是设计新的损失函数，通过反向传播调整模型参数，如AFNet算法和BASNet算法。（3）基础模型简易导致检测的边界模糊，可以通过多尺度操作增强原有的特征效果，如DSS算法、SRM算法和PAGE算法等，或添加注意力机制来提取更有效的低层特征，如PFA算法等。