显著性目标检测旨在突出图像中的视觉显著区域,应用于各种计算机视觉任务。而目前的显著性目标检测中依然存在着多尺度、背景误判、前景误判以及边界复杂等诸多问题。为有效的解决这些问题,本文基于卷积神经网络与深度学习的方法对显著性目标检测进行研究,并设计端到端的全卷积网络,以提高对显著目标的检测性能。本文的研究内容包括以下三个部分。1.坐标注意力特征金字塔的显著性目标检测算法。相比传统提取特征的方法,基于全卷积网络的方法已展现出巨大的优势。然而,对于显著性目标检测中存在的背景误判和边界复杂问题,全卷积网络却难以有效应对。本文提出的坐标注意力金字塔的显著性目标检测算法则旨在解决这两个问题。本文基于特征金字塔的网络结构,提取多层次的显著特征,并设计特征细化模块逐层融合这些特征。为解决背景误判问题,本文利用最新的坐标注意力机制,为深层次的显著特征分配不同的权重。对于边界复杂问题,本文设计边界感知损失用于监督网络对显著目标轮廓信息的学习,帮助网络更准确的预测边界像素点。在五个公开的显著性目标检测数据集上的实验结果显示,该方法能够有效提高显著性目标检测的性能。2.双解码与边界感知的显著性目标检测算法。随着全卷积网络的方法广泛应用于显著性目标检测,复杂场景中依然存在着前景背景误判和边界复杂的问题。双解码与边界感知的显著性目标检测模型则是旨在解决这些问题。为有效应对前景误判与背景误判,本文提出包含前景解码分支与背景解码分支的双解码结构。其中,前景解码分支旨在学习显著区域特征,以增强前景信息,而背景解码分支则旨在学习非显著区域的信息,抑制背景噪声。对于边界复杂问题,模型不是采用设计新的损失函数的方法,而是提出专门用于学习边界信息的卷积模块,并使用边界图指导模块学习显著目标的轮廓信息,以生成清晰的边界。本方法在五个常用的显著性目标检测数据集上进行实验验证,结果表明,该方法比目前的先进方法展现出更大的优势。3.多尺度特征融合和边界感知的显著性目标检测算法。对于基于卷积神经网络的显著性目标检测中存在的多尺度和边界问题,本文提出多尺度特征融合和边界感知的显著性目标检测模型。多尺度特征融合模块采用逐层多次融合不同层次特征的策略,学习不同尺度的显著目标特征。同时本文提出交叉特征调整模块以更有效地方式进一步融合多尺度特征。而对于边界复杂问题,本文重新设计边界像素点感知损失,使其更加注重更靠近边界的像素点,以生成清晰且准确的边界。充足的实验证明该模型的性能优于大多数先进的显著性目标检测算法。