摘要：突出目标检测是计算机视觉中的一个热门研究领域。许多基于深度学习的方法被提出，并显示出巨大的潜力。然而，检测中也存在一些问题，如假检测或边缘模糊。为了解决这些问题，本文提出了一种新的双流融合边缘感知网络用于显著目标检测。通过利用多尺度信息和特征聚合，该模型可以获得细粒度的结果。首先，将输入图像修改为两个不同的尺度，分别馈送给网络的编码器。这样，该模型可以从双特征流中提取丰富的多层次特征。其次，在解码阶段，从上到下逐步整合双流特征，生成粗到细的显著图。此外，还设计了一种双向边缘感知结构，通过融合语义上下文信息生成微妙的边界。最后，利用边缘细化模块对显著对象边界进行改进，得到最终结果。在五个公共数据集上进行了大量实验，结果表明，该方法在结构相似性（Sm）方面取得了较高的精度，并生成了对象更完整、边缘更清晰的高质量显著地图。

关键词： 显著目标检测， 全卷积神经网络， 多尺度学习， 双流融合， 边缘感知

摘要：显著性目标检测是计算机视觉领域的热门研究方向之一，许多基于深度学习的检测算法虽然已经取得了显著的成果，但是仍然存在待测目标漏检误检和边界模糊等问题。针对这些问题提出了一种基于双特征流融合和边界感知的目标检测算法，通过改变输入图像尺寸来丰富多尺度信息，并自顶向下逐层聚合特征得到精细的预测结果。首先将输入图像调整为两种不同分辨率分别送入编码器，提取丰富的多层级特征形成双特征流；其次将双特征流自顶向下逐层融合，生成由粗到细的显著图；最后构建了边界感知结构，凭借上下文语义信息的指导生成精细的物体轮廓。在五个公开数据集上进行了大量实验，实验结果表明，所提算法在结构相似性[（小）]等多个指标上取得了更高的检测精度，生成的显著图目标完整且边缘清晰。

关键词: 显著性目标检测, 全卷积神经网络, 多尺度学习, 双特征流融合, 边界感知