基于无监督学习的两阶段显著性目标检测

来源：计算机测量与控制杂志2026年第6期北京时间：

作者：陈奕晖,毕钰

单位：黑龙江科技大学电子与信息工程学院

摘要：针对传统显著性目标检测依赖大量人工标注数据,成本高且泛化能力有限等问题,提出了一种基于无监督学习的两阶段显著性目标检测方法；该方法主要通过两个阶段实现在复杂场景中快速定位并分割出最具吸引力的区域,一阶段构建融合全局与局部特征的伪标签生成器(GLEPG),通过差分运算与自适应权重机制提升伪标签质量；第二阶段设计一个RGB显著图细化网络(SMRNet)对初始显著图进行细化,并利用高质量伪标签对标准检测网络进行训练,从而获得更准确的显著性预测结果；通过在几个常用RGB数据集上的实验结果表明,该方法在保持无监督学习优势的同时,有效提升了显著图的完整性与细节精度,取得了较优的检测效果。

关键词：显著性目标检测;无监督学习;伪标签生成;注意力机制;深度学习

基金资助：黑龙江科技大学2025年创新训练指导项目 (DX2025006)