基于自适应感受野的多尺度显著性目标检测.pdfVIP

Vol.53No.1计算机与数字工程总第423期

108ComputerDigitalEngineering第53卷

2025年第1期

基于自适应感受野的多尺度显著性目标检测∗

缑新科李飞飞

（兰州理工大学电气工程与信息工程学院兰州730050）

摘要基于CNN的显著性检测技术已逐渐替代传统的显著性检测技术。现有显著性检测技术大多数不加以区分不

同层的特征，对不同层特征以同样方式处理。为了提取丰富的多尺度信息，将主干网络VGG-16分为低、中、高三层，并对不

同层特征使用不同的注意力机制；为了提取更多信息，根据输入信息的不同用SK卷积来自适应增大感受野；最后将得到的

特征优化后融合。在五个常用数据集上进行测试该模型，并与其他显著性检测算法进行比较。通过定性与定量评估，该模

型性能较好。

关键词显著性检测；自适应感受野；注意力机制；多尺度特征

中图分类号TP391DOI：10.3969/j.issn.1672-9722.2025.01.021

Multi-scaleSaliencyObjectDetectionBasedon

AdaptiveReceptiveField

GOUXinkeLIFeifei

（CollegeofElectricalandInformationEngineering，LanzhouUniversityofTechnology，Lanzhou730050）

AbstractThesaliencydetectiontechnologybasedonCNNhasgraduallyreplacedthetraditionalsaliencydetectiontechnolo⁃

gy.Mostoftheexistingsaliencydetectiontechniquesdonotdistinguishthefeaturesofdifferentlayers，andprocessthefeaturesof

differentlayersinthesameway.Inordertoextractrichmulti-scaleinformation，thebackbonenetworkVGG-16isdividedinto

threelayers：low，mediumandhigh，anddifferentattentionmechanismsareusedforthefeaturesofdifferentlayers.Inordertoex⁃

tractmoreinformation，SKrollsareusedaccordingtodifferentinputinformation.Theproductisusedtoadaptivelyincreasethere⁃

ceptivefield.Finally，theobtainedfeaturesareoptimizedandfused.Themodelistestedon5commonlyuseddatasetsandcompared

withothersaliencydetectionalgorithms.Throughqualitativeandquantitativeevaluation，themodelhasgoodperformance.

KeyWordssaliencydetection，adaptivereceptivefield，attentionmechanism，multi-scalefeatures

ClassNumberTP391

求。近年来，随着深度学习的发展，卷积神经网络

1引言