基于边缘特征增强与多尺度融合的显著性目标检测网络SFEN研究

针对多尺度特征融合中目标主体区域丢失和边缘细节弱化的问题，研究人员提出显著性特征增强网络（SFEN），通过边缘特征增强（EFE）模块、显著性目标注意力（SOA）模块和细节多尺度融合（DMF）模块，显著提升复杂场景下的检测精度。在DUTS等数据集上平均F-measure达0.914，为计算机视觉下游任务提供新解决方案。

　　

在计算机视觉领域，显著性目标检测（Salient Object Detection, SOD）一直是模拟人类视觉感知的核心技术。这项技术能够自动识别图像中最引人注目的物体或区域，广泛应用于视频分析、遥感监测、缺陷检测等场景。然而，现有方法在多尺度特征融合过程中存在明显短板——要么对所有特征一视同仁，要么机械重复相同的融合模块，导致目标主体区域丢失和边缘细节模糊。尤其面对复杂场景时，传统基于手工特征的方法（如颜色对比度或中心先验）性能受限，而深度学习方法虽能自动学习特征，却因跨尺度噪声干扰难以精准捕捉目标结构。

针对这一难题，TAPU研究基金支持的研究团队提出了一种创新性解决方案：显著性特征增强网络（SFEN）。该网络通过三大核心模块重构多尺度融合流程——边缘特征增强（EFE）模块聚焦浅层特征的像素级边缘优化，显著性目标注意力（SOA）模块实现相邻尺度特征的高效融合，细节多尺度融合（DMF）模块则通过自注意力机制补充目标细节。这种层级递进的设计显著降低了编码器与解码器间的特征分布差异，在DUTS-TE数据集上达到0.914的F-measure值，较现有方法有显著提升。

关键技术方法包括：1）基于卷积神经网络（CNN）的层级特征提取；2）EFE模块的边缘像素增强技术；3）SOA模块的相邻尺度注意力融合机制；4）DMF模块中结合窗口注意力的细节补充策略。实验使用DUTS-TR数据集（10,553张图像）训练，并在DUT-OMRON、ECSSD等6个基准数据集验证。

研究结果：

1. 边缘特征增强（EFE）模块：通过针对性处理浅层特征的边缘像素，有效避免过度处理导致的性能下降，为后续融合保留关键细节。
2. 显著性目标注意力（SOA）模块：实验显示该模块能将深层抽象特征与浅层细节特征有机融合，使HKU-IS数据集F-measure提升至0.930。
3. 细节多尺度融合（DMF）模块：通过DE子模块的局部-全局信息关联和OS子模块的编码器特征补充，在ECSSD数据集实现0.939的F-measure，显著减少目标主体缺失。

结论与讨论：SFEN通过重新设计多尺度融合路径，突破传统方法对注意力模块的依赖，在保持边缘精度的同时减少目标主体丢失。其创新性体现在：1）EFE模块首次将边缘处理与浅层特征解耦；2）SOA模块建立相邻尺度优先融合原则；3）DMF模块通过编码器-解码器特征对齐提升细节还原度。该成果发表于《Journal of Visual Communication and Image Representation》，为遥感检测、医疗影像分析等需要精细目标轮廓的领域提供新思路。未来研究可进一步探索复杂场景下的动态特征融合机制。