显著性目标检测旨在对图像中最显著的对象进行检测和分割，是计算机视觉任务中重要的预处理步骤之一，且在信息检索、公共安全等领域均有广泛的应用.本文对近期基于深度学习的显著性目标检测模型进行了系统综述，从检测粒度的角度出发，综述了将深度学习引入显著性目标检测领域之后的研究成果.首先，从三个方面对显著性目标检测方法进行了论述：稀疏检测方法，密集检测方法以及弱监督学习下的显著性目标检测方法.然后，简要介绍了用于显著性目标检测研究的主流数据集和常用性能评价指标，并对各类主流模型在三个使用最广泛的数据集上进行了性能比较分析.最后，本文分析了显著性目标检测领域目前存在的问题，并对今后可能的研究趋势进行了展望.
http://www.ejournal.org.cn/CN/10.12263/DZXB.20200651
1998年ltti等人［1］基于对灵长类动物视觉系统的模拟提出了一种视觉注意力机制，由此开启了计算机视觉领域对于显著性检测的研究.早期的显著性检测大多将研究重心放在人眼注意点的检测上，即检测图像中最吸引人类眼光的地方，检测结果为一组光亮点组成的感兴趣区域.随着计算机视觉的进一步发展，单一的视觉注意点检测逐渐难以满足其需求.因此，研究者提出将显著性检测看作是一个图像分割问题，将图像的显著性目标区域从背景中分割出来，并将该任务称为显著性目标检测（Salient Object Detection， SOD）［2］.
作为重要的图像预处理步骤，显著性目标检测广泛应用在各类计算机视觉任务中：利用显著性内容作为图像描述的指导［3， 4］；采用显著性检测指导对高分辨率的卫星图像进行无监督特征学习下的场景分类［5］；将无监督学习转化为多实例学习，实现定位和分类的任务［6］；提供对象级线索从而帮助无监督视频对象分割［7］；为目标检测任务提供图像的显著性轮廓信息［8］；用于构建测试视觉问答模型性能的数据集［9］等等.
显著性目标检测领域的发展十分迅速，早期的综述论文只对一些传统方法进行了归纳［10， 11］.近年来出现了一些论述前沿方法的文献，如文献［12］综述了阈值化分割在显著性目标检测中的应用，并讨论了一些虽还没被采用但很有潜力的阈值方法.文献［13］把显著性目标检测和类别目标检测并在一起进行了综述，介绍了目标检测中常用的模型和方法.文献［14］以时间顺序描述了显著性目标检测模型的演变，并简要介绍了显著性目标检测的起源和关键性技术.文献［15］根据特征提取策略的不同，综述了传统学习和深度学习下的显著性目标检测模型.文献［16］围绕网络架构、监督方式、学习范式等角度概述了基于深度学习的显著性目标检测模型，并通过研究噪声扰动和对抗攻击对算法和模型的影响，为检测模型的实际应用提供了可用建议.
不同于以上文献综述，本文从检测粒度的角度出发，综述了将深度学习引入显著性目标检测领域之后的研究成果，并将这些显著性目标检测方法分为三大类：稀疏检测方法，密集检测方法及弱监督学习方法.本文的稀疏与密集检测是以网络模型对图像的处理单元不同而定义的，前者的处理单元通常是超像素或候选对象等非独立像素的单元，后者的处理单元则是单个的像素［17］.这两种检测方法都需要大量的人工标注，弱监督方法的提出减轻了模型对人工标注数据集的依赖，本文也对这类方法做了详尽综述，并根据训练样本中标注来源的不同，将其分为基于伪标注数据集和基于弱标注数据集的方法.此外，本文还综述了用于显著性目标检测研究的七个主流数据集和三个评价指标，并选取了其中三个使用最广泛的数据集对各个主流模型进行性能分析.本文旨在为国内研究者提供一个包含最新方法的综述，增加对显著性目标检测研究的理解，以得到一些启发.
专知便捷查看
便捷下载，请关注专知公众号（点击上方蓝色专知关注）
专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！点击“阅读原文”，了解使用专知，查看获取5000+AI主题知识资源
