编辑推荐：
当前显著目标检测（SOD）方法在计算效率与性能平衡、特征捕捉等方面存在不足。研究人员开展了基于金字塔视觉 Transformer 骨干网络的 SOD 网络研究，提出 TRSNet。该网络超越 26 种 SOTA 方法且架构轻量，为资源受限平台部署提供可能。
在计算机视觉领域，显著目标检测（Salient Object Detection，SOD）如同为机器赋予了一双 “慧眼”，让其能够快速定位并分割出图像中最引人注目的物体。这一技术在众多应用场景中都有着至关重要的作用，比如在视觉跟踪里，帮助追踪目标物体；在图像检索和编辑中，精准定位用户想要处理的区域；在视频或图像分割时，准确划分不同的物体部分 。
然而，目前的 SOD 方法却面临着诸多挑战。一方面，先进的方法难以在计算效率和性能之间找到完美的平衡。深度卷积神经网络（Convolutional Neural Networks，CNNs）虽然在提取局部特征方面表现出色，架构也较为轻量，但它就像一个 “近视眼”，在理解图像的全局上下文信息时存在困难。例如，在复杂的场景图像中，当需要判断物体之间的关系时，CNNs 往往会出现失误。另一方面，Transformer 虽然擅长捕捉全局上下文，但它对资源的需求极大，这使得其在一些资源受限的平台上难以施展拳脚。此外，现有的方法在特征提取、上下文建模以及多尺度特征融合等方面也存在不足，导致在检测复杂场景中的显著目标时效果不佳。
为了解决这些难题，来自国外的研究人员开展了一项关于新型 SOD 网络的研究。他们提出了基于金字塔视觉 Transformer（Pyramid Vision Transformer，PVTv2）辅助的梯形注意力网络（Trapezoidal Attention Network，TRSNet）用于精确的 SOD。研究结果令人瞩目，该网络在六个基准 SOD 数据集上进行测试，超越了超过 26 种当前最先进（State-of-the-art，SOTA）的 SOD 方法，同时还保持了轻量级的架构，这为在资源受限的平台上高效部署 SOD 技术提供了可能，具有重要的实际应用价值。该研究成果发表在《Engineering Applications of Artificial Intelligence》上。
研究人员在此次研究中运用了多种关键技术方法。首先，采用 PVTv2 作为骨干网络，用于高效地提取多尺度特征。其次，引入上下文特征细化块（Contextual Feature Refinement Blocks，CFRBs），利用空洞卷积来捕捉和细化每个尺度上的丰富上下文信息。此外，还提出了梯形注意力模块（Trapezoidal Attention Module，TAM），它整合了不同的注意力机制，针对不同尺度的特征进行优化处理。
研究结果
- 多尺度特征提取与网络架构设计：研究人员借助 PVTv2 骨干网络，有效提取出多阶段特征，涵盖了初始、中等和成熟阶段的特征。通过对 PVTv2 的不同变体进行分析，设计出的网络架构在满足不同计算需求的同时，还能保持高性能。
- 上下文特征细化块（CFRBs）的作用：CFRBs 利用空洞卷积对骨干网络获取的特征进行处理，增强了特征表示能力。研究人员通过对不同空洞卷积率进行验证，确定了最优的 CFRBs，提升了网络在复杂环境中检测显著目标的能力。
- 梯形注意力模块（TAM）的效果：TAM 整合了互补的注意力机制。自适应空间坐标注意力（Adaptive Spatial Coordinate Attention，ASCA）对初始低级特征进行细化，在减少计算量的同时保留空间细节；特征感知多头注意力（Feature-Aware Multi-Head Attention，FAMHA）处理中级特征，有效建模长距离依赖关系；紧凑通道门（Compact Channel Gate，CCG）则对高级特征进行增强，避免维度降低并自适应调整通道权重。
- 多尺度特征融合的性能提升：通过将不同阶段的特征逐步整合，实现了有效的多尺度特征融合。在六个常用基准数据集上的实验表明，TRSNet 在保持轻量级架构的同时，性能超越了 26 种 SOTA 方法。
研究结论与讨论
研究人员成功构建了 TRSNet 网络，有效平衡了计算成本和性能。该网络利用轻量级 PVTv2 驱动的梯形注意力模块，实现了多层次特征的提取和细化。CFRBs 捕捉了丰富的上下文信息，多种注意力机制协同工作，提升了特征处理的效果。多尺度特征融合策略进一步增强了网络性能。这一研究成果不仅为显著目标检测领域提供了新的思路和方法，也为相关技术在资源受限平台的应用开辟了新方向，具有重要的理论和实践意义。
