王安志，任春洪，何淋艷，楊元英，歐衛(wèi)華

（貴州師范大學(xué) 大數(shù)據(jù)與計(jì)算機(jī)科學(xué)學(xué)院，貴陽(yáng) 550025）

0 概述

顯著性目標(biāo)檢測(cè)（Salient Object Detection，SOD）旨在快速檢測(cè)和分割圖像中最吸引人注意的目標(biāo)對(duì)象。在過(guò)去十年中，其作為一項(xiàng)重要的計(jì)算機(jī)視覺(jué)任務(wù)，在目標(biāo)分割、視覺(jué)跟蹤、行人重識(shí)別以及偽裝目標(biāo)檢測(cè)［1］等方面進(jìn)行了成功的應(yīng)用，引起了人們的廣泛關(guān)注。傳統(tǒng)顯著性目標(biāo)檢測(cè)方法的RGB 圖像只包含像素的顏色和強(qiáng)度，但光場(chǎng)圖像除了包含像素的顏色和強(qiáng)度信息外，還包含所有入射光的方向。入射光方向指示了場(chǎng)景中物體的三維幾何信息。目前，包括Lytro 和Raytrix 在內(nèi)的商用微透鏡陣列光場(chǎng)相機(jī)越來(lái)越流行，光場(chǎng)信息也被用于包括深度估計(jì)［2-3］、超分辨率［4］等多個(gè)視覺(jué)任務(wù)，為算法提供更豐富的視覺(jué)信息，顯著提升算法的性能。根據(jù)輸入圖像的類型（如RGB 圖像、RGB-D 圖像和光場(chǎng)圖像），現(xiàn)有SOD 算法大致可分為二維、三維和四維的SOD 算法這三大類。大多數(shù)方法都屬于第一類，關(guān)于后兩類方法的研究還較少。作為主流的二維顯著性檢測(cè)算法［5-7］已經(jīng)取得了顯著的進(jìn)步，這得益于深度學(xué)習(xí)技術(shù)尤其是卷積神經(jīng)網(wǎng)絡(luò)（CNN）的不斷進(jìn)展［8-10］。但當(dāng)遇到挑戰(zhàn)性真實(shí)場(chǎng)景圖像時(shí)，這些方法通常表現(xiàn)不佳，甚至失效，其原因主要有兩點(diǎn)：傳統(tǒng)二維SOD 算法對(duì)先驗(yàn)知識(shí)的依賴性；RGB 圖像缺乏三維信息。由于深度信息有助于理解顯著性目標(biāo)的上下文信息和提高SOD的精度，三維SOD算法［11-12］也逐漸引起了學(xué)者的關(guān)注。然而，深度估計(jì)本身是一項(xiàng)極具挑戰(zhàn)的課題，低質(zhì)量的深度圖將嚴(yán)重影響三維RGB-D SOD 算法的性能。

近年來(lái)，隨著Lytro 和Raytrix 等光場(chǎng)相機(jī)的普及，光場(chǎng)信息相對(duì)容易獲得。光場(chǎng)圖像包含豐富的視覺(jué)信息，由全聚焦圖像、焦堆棧序列和深度圖組成，其中焦堆棧包含了豐富的三維幾何和外觀信息。因其獨(dú)特的視覺(jué)特性，四維光場(chǎng)SOD［13-15］具有良好的發(fā)展前景。然而，現(xiàn)有光場(chǎng)SOD 算法大多基于手工設(shè)計(jì)的特征來(lái)實(shí)現(xiàn)顯著性目標(biāo)的檢測(cè)，包括對(duì)比度、紋理特征、物體完整性、聚焦性先驗(yàn)等。由于高維光場(chǎng)數(shù)據(jù)比二維RGB 圖像更難處理，導(dǎo)致面向光場(chǎng)圖像的SOD 方法研究仍較少，基于CNN 的光場(chǎng)SOD 算法僅有MoLF［16］和DLLF［13］等極少數(shù)的模型。

面向四維光場(chǎng)圖像的基于CNN 的SOD 框架具有重要的研究意義和實(shí)用價(jià)值。為了將CNN 框架應(yīng)用于光場(chǎng)SOD，本文提出一種用于光場(chǎng)SOD 的端到端的多模態(tài)多級(jí)特征聚合檢測(cè)算法。該算法包括兩個(gè)并行的CNN 子網(wǎng)絡(luò)，分別從焦堆棧序列、全聚焦圖像和深度圖中提取多級(jí)多尺度的視覺(jué)特征，并利用不同模態(tài)間視覺(jué)特征的互補(bǔ)性，構(gòu)建多模態(tài)特征聚合模塊，以實(shí)現(xiàn)更精準(zhǔn)的顯著性目標(biāo)檢測(cè)。

1 相關(guān)工作

本文主要介紹二維RGB［17］、三維RGB-D、四維光場(chǎng)SOD 這三類方法。上述方法又可分為傳統(tǒng)的方法和基于深度學(xué)習(xí)的方法。前者主要基于手工設(shè)計(jì)的特征，不能滿足挑戰(zhàn)性場(chǎng)景下的顯著性檢測(cè)需求，本文主要討論基于深度學(xué)習(xí)的SOD 算法。

1.1 面向二維RGB 圖像的SOD

隨著CNN的發(fā)展，大量基于CNN的SOD 算法被提出。這些算法主要結(jié)合后處理步驟［18］、上下文特征［19-20］、注意機(jī)制［9，20-23］和循環(huán)細(xì)化模型［10，24］。文獻(xiàn)［25］提出一種端到端深度對(duì)比度網(wǎng)絡(luò)，其能產(chǎn)生像素級(jí)顯著圖，然后通過(guò)全連接的條件隨機(jī)場(chǎng)后處理步驟進(jìn)一步改善顯著圖。文獻(xiàn)［5］構(gòu)建一個(gè)HED架構(gòu)，在該架構(gòu)的跳層結(jié)構(gòu)中引入了短連接。文獻(xiàn)［26］提出一種通用的聚合多級(jí)卷積網(wǎng)絡(luò)，該框架將多級(jí)特征組合起來(lái)預(yù)測(cè)顯著圖。隨后，DENG 等提出一種帶有殘差精煉模塊的遞歸殘差網(wǎng)絡(luò)，殘差精煉模塊用于學(xué)習(xí)中間預(yù)測(cè)結(jié)果的互補(bǔ)性顯著性信息。文獻(xiàn)［12］創(chuàng)建一個(gè)雙分支的SOD 網(wǎng)絡(luò)，同時(shí)預(yù)測(cè)顯著性目標(biāo)的輪廓和顯著圖。文獻(xiàn)［20］提出一種像素級(jí)的上下文注意網(wǎng)絡(luò)來(lái)學(xué)習(xí)上下文特征，以生成包括全局和局部特征的顯著圖。

綜上所述，CNN 可以自動(dòng)提取多級(jí)視覺(jué)特征，并直接學(xué)習(xí)圖像到顯著圖的映射，但基于CNN 的SOD 方法面對(duì)挑戰(zhàn)性的復(fù)雜場(chǎng)景仍表現(xiàn)不佳，而將現(xiàn)有基于CNN 的二維SOD 模型［27］直接應(yīng)用于光場(chǎng)圖像也并不可取。因此，有必要開展基于CNN 的光場(chǎng)SOD 研究。

1.2 面向RGB-D 圖像的三維SOD

QU等［28］設(shè)計(jì)一種基于CNN的RGB-D SOD 算法自動(dòng)學(xué)習(xí)交互機(jī)制，并利用手工設(shè)計(jì)的特征訓(xùn)練基于CNN的SOD模型。CHEN等［29-31］利用多級(jí)特征互補(bǔ)性和跨模態(tài)特征互補(bǔ)性，設(shè)計(jì)了一個(gè)多路的多尺度融合網(wǎng)絡(luò)來(lái)預(yù)測(cè)顯著圖。CHEN等［31］還提出一種三流的注意力融合網(wǎng)絡(luò)來(lái)提取RGB-D 特征，并引入通道注意機(jī)制自適應(yīng)地選擇互補(bǔ)的視覺(jué)特征。ZHU等［32］提出一個(gè)獨(dú)立的編碼器網(wǎng)絡(luò)來(lái)處理深度線索，并利用基于RGB的先驗(yàn)?zāi)Ｐ椭笇?dǎo)模型的學(xué)習(xí)過(guò)程。WANG等［33］提出一種雙流CNN 自適應(yīng)融合框架，將RGB模態(tài)和深度模態(tài)產(chǎn)生的顯著圖進(jìn)行后融合。PIAO等［34］提出深度誘導(dǎo)的多尺度遞歸注意力網(wǎng)絡(luò)，該網(wǎng)絡(luò)包括一個(gè)深度精煉模塊，用于提取并融合互補(bǔ)的RGB 和深度特征、深度誘導(dǎo)的多尺度加權(quán)模塊，以及一個(gè)遞歸的注意力模塊，以粗到細(xì)的方式生成更準(zhǔn)確的顯著性預(yù)測(cè)結(jié)果。

1.3 面向光場(chǎng)的四維SOD

目前，只有較少的SOD 算法設(shè)計(jì)光場(chǎng)圖像，大部分方法都基于手工設(shè)計(jì)的特征。盡管如此，這些方法在一些復(fù)雜場(chǎng)景上表現(xiàn)出了較好的效果。LI等［35］的工作顯示了利用光場(chǎng)圖像進(jìn)行顯著性檢測(cè)的實(shí)用性，首先估計(jì)聚焦性和物體完整性線索，然后將其與對(duì)比度線索結(jié)合以檢測(cè)顯著性目標(biāo)對(duì)象，他們還建立了光場(chǎng)顯著性數(shù)據(jù)集LFSD。隨后，LI等［36］提出一種加權(quán)稀疏編碼框架來(lái)處理不同類型的輸入（RGB圖像、RGB-D圖像和光場(chǎng)圖像）。ZHANG等［37］引入位置先驗(yàn)、背景先驗(yàn)和深度線索，擴(kuò)展了基于顏色對(duì)比度的SOD方法來(lái)實(shí)現(xiàn)四維光場(chǎng)SOD。隨后，ZHANG等［38］集成了多種源自光場(chǎng)的視覺(jué)特征和先驗(yàn)，提出一種集成的計(jì)算方案來(lái)檢測(cè)顯著性目標(biāo)，并構(gòu)建一個(gè)基準(zhǔn)數(shù)據(jù)集HFUTLytro。WANG等［13］提出一種雙流的融合框架，以焦堆棧和全聚焦圖像為輸入，并使用對(duì)抗樣本來(lái)幫助訓(xùn)練深度網(wǎng)絡(luò)。ZHANG等［16］提出一種面向記憶的光場(chǎng)SOD網(wǎng)絡(luò)，利用Mo-SFM 模塊的特征融合機(jī)制和Mo-FIM 模塊的特征集成機(jī)制，能夠準(zhǔn)確預(yù)測(cè)顯著性目標(biāo)。另外還引入了一個(gè)新的光場(chǎng)數(shù)據(jù)集DUTLF-FS。李等［39］提出一種基于聚焦度和傳播機(jī)制的光場(chǎng)圖像顯著性檢測(cè)方法，使用高斯濾波器對(duì)焦堆棧圖像的聚焦度信息進(jìn)行衡量，確定前景圖像和背景圖像。圖1 給出了相關(guān)的實(shí)例，與二維和三維的SOD 算法相比，得益于光場(chǎng)圖像豐富的視覺(jué)信息，四維光場(chǎng)顯著性檢測(cè)方法在挑戰(zhàn)性場(chǎng)景上具有更好的檢測(cè)性能。然而，現(xiàn)有四維光場(chǎng)SOD 算法仍然沒(méi)有充分考慮所有的光場(chǎng)輸入信息以及光場(chǎng)視覺(jué)特征之間的互補(bǔ)性，導(dǎo)致多模態(tài)融合不充分，檢測(cè)性能仍不夠理想。

圖1 不同SOD 算法的實(shí)例結(jié)果Fig.1 Smaple results of different SOD algorithms

2 本文方法

本文構(gòu)建一個(gè)雙流編解碼器網(wǎng)絡(luò)架構(gòu)，并提出端到端的多模態(tài)多級(jí)特性聚合檢測(cè)算法，算法總體架構(gòu)如圖2 所示。雙流子網(wǎng)絡(luò)采用相互獨(dú)立且相同的網(wǎng)絡(luò)結(jié)構(gòu)，分別進(jìn)行多級(jí)特征融合。這些來(lái)自不同模態(tài)的多級(jí)聚合特征被進(jìn)一步融合生成預(yù)測(cè)顯著圖。和其他基于CNN 的SOD 模型［40-41］類似，本文提出網(wǎng)絡(luò)也使用ResNet-50 作為編碼器，用于提取多級(jí)特征。和PCA［29］和TANet［31］相同，添加一個(gè)15×15 的卷積層作為第6 個(gè)卷積塊，提取全局上下文特征。

圖2 本文算法的整體流程Fig.2 Overall procedure of the proposed algorithm

2.1 多級(jí)特征聚合模塊

上分支子網(wǎng)絡(luò)以全聚焦圖像和焦堆棧為輸入，下分支以深度圖為輸入，將全聚焦圖像的RGB 三通道和焦堆棧的每個(gè)切片通道進(jìn)行連接輸入上分支網(wǎng)絡(luò)。如文獻(xiàn)［29，31］將深度圖編碼成三通道的HHA表示并送入下分支網(wǎng)絡(luò)。如圖2 所示，采用ResNet-50 基網(wǎng)絡(luò)提取多級(jí)特征。與原始模型不同，借鑒EGNet［42］的做法，在每條邊路徑上插入3 個(gè)卷積層，以獲得更具判別性和魯棒性的上下文特征，其中在每個(gè)卷積層后添加一個(gè)ReLU 層以保證網(wǎng)絡(luò)的非線性能力。為了簡(jiǎn)潔起見(jiàn)，將這些卷積層和ReLU 層組合表示為圖2 中的一個(gè)conv 模塊。高級(jí)特征包含抽象的語(yǔ)義信息，有助于定位顯著目標(biāo)和去除噪聲，而低層特征可以提供邊緣、紋理等更詳細(xì)的空間結(jié)構(gòu)細(xì)節(jié)，但包含部分背景噪聲，這兩級(jí)視覺(jué)特征是互補(bǔ)的［40-41］。此外，全局上下文信息有助于從全局角度檢測(cè)更完整、更準(zhǔn)確的顯著對(duì)象。因此，引入一個(gè)多級(jí)特征聚合模塊，將這三級(jí)特征有效聚合以得到更具判別性的聚合特征。多個(gè)多級(jí)特征聚合模塊從上到下串聯(lián)，自頂向下逐步聚合和精煉多級(jí)特征，其主要過(guò)程如式（1）～式（5）所示：

其中：conv(·)為普通卷積；Up(·)為上采樣運(yùn)算；ReLU(·)為ReLU 激活函數(shù)；conv3 為3×3 標(biāo)準(zhǔn)卷積層；⊙為逐元素相乘運(yùn)算；Concat(·)為拼接。多級(jí)特征聚合模塊接收通過(guò)卷積塊的特征和從鄰近上層多級(jí)特征聚合模塊的輸出特征為卷積塊i提取的特征。最上層多級(jí)特征聚合模塊以通過(guò)卷積塊的輸出特征和卷積塊6 的輸出特征為輸入。通過(guò)這種自上而下的監(jiān)督方式，多級(jí)特征逐漸被聚合和精煉。不同于之前（例如：PoolNet，BASNet）的拼接或直接相加的聚合方式，本文采用更有效的直接相乘運(yùn)算方式來(lái)增強(qiáng)檢測(cè)響應(yīng)并抑制背景噪聲，如圖3 所示。

圖3 多級(jí)特征聚合模塊的網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Network structure of multi-level feature aggregation module

2.2 跨模態(tài)特征融合模塊

為了充分利用不同模態(tài)間特征的互補(bǔ)性信息，與文獻(xiàn)［29，31］類似，本文設(shè)計(jì)一種跨模態(tài)特征融合模塊，該模塊可以有效地捕獲跨模態(tài)特征和多級(jí)特征之間的互補(bǔ)性。如圖2 所示，將多個(gè)多模態(tài)特征融合模塊放置于雙流子網(wǎng)絡(luò)成對(duì)的多級(jí)特征聚合模塊之間，自頂向下進(jìn)行級(jí)聯(lián)，進(jìn)一步對(duì)不同模態(tài)間的多級(jí)特征進(jìn)行精煉和融合，并生成最終的顯著預(yù)測(cè)圖。為了充分獲取多模式互補(bǔ)信息，跨模態(tài)殘差連接和互補(bǔ)性監(jiān)督信息同時(shí)被用來(lái)進(jìn)一步提升不同模態(tài)的特征互補(bǔ)性。第i級(jí)由1×1 卷積層挑選出的深度特征，與另一個(gè)支流網(wǎng)絡(luò)中殘差連接得到的特征進(jìn)行逐元素相加。增強(qiáng)的特征′作為兩個(gè)1×1 卷積層的輸入，減少訓(xùn)練過(guò)程中計(jì)算量。過(guò)程描述如式（6）所示：

2.3 Adabelief 優(yōu)化器

優(yōu)化器的選擇影響神經(jīng)網(wǎng)絡(luò)訓(xùn)練的檢測(cè)精度和可靠性。現(xiàn)有方法通常采用SGD、Adam 等優(yōu)化器。實(shí)驗(yàn)結(jié)果表明，SGD 具有較好的泛化能力，但收斂速度慢、訓(xùn)練不穩(wěn)定，需要仔細(xì)調(diào)參；Adam 無(wú)需仔細(xì)調(diào)參即可達(dá)到較好的效果，但很難得到最佳效果，且泛化性不夠理想。本文引入了更強(qiáng)壯的AdaBelief［44］優(yōu)化器，類似于Adam，無(wú)需細(xì)心調(diào)參便能得到更好的效果，其定義如下：

其中：α為學(xué)習(xí)率；mt為指數(shù)移動(dòng)。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)設(shè)置

為了評(píng)估所提算法的性能，在現(xiàn)有的光場(chǎng)顯著性檢測(cè)基準(zhǔn)數(shù)據(jù)集DUTLF-FS［13，16］和HFUT-Lytro［38］上進(jìn)行實(shí)驗(yàn)對(duì)比。性能評(píng)估度量除了采用權(quán)威的準(zhǔn)確度-召回率曲線（PRC）、F-measure（Fβ）、加權(quán)F-measure（WFβ）［44］和平均絕對(duì)誤差（MAE）［45］外，還采用了結(jié)構(gòu)相似性指標(biāo)（Sm）［46］和增強(qiáng)匹配指標(biāo)（Em）［47］共計(jì)6 個(gè)指標(biāo)全面評(píng)估所提出算法的性能。本文提出的算法基于深度學(xué)習(xí)框架PyTorch實(shí)現(xiàn)，在Nvidia GTX 3090 GPU上進(jìn)行訓(xùn)練。

3.2 消融實(shí)驗(yàn)

本文在權(quán)威的光場(chǎng)顯著性檢測(cè)數(shù)據(jù)集DUTLF-FS和HFUT-Lytro上進(jìn)行了消融實(shí)驗(yàn)，并采用F?、MAE、Em和Sm 這4 個(gè)廣泛使用的評(píng)價(jià)指標(biāo)對(duì)算法中的多級(jí)特征聚合模塊（CFAS）和跨模態(tài)特征融合模塊（RD-Fuse）進(jìn)行有效性驗(yàn)證。表1 所示為在DUTLF-FS 和HFUTLytro 兩個(gè)數(shù)據(jù)集上的測(cè)試結(jié)果。其中，√為添加模塊，在HFUT-Lytro 中，基網(wǎng)絡(luò)（第1 行）在MAE 評(píng)價(jià)指標(biāo)為0.122；第2行是在基模型基礎(chǔ)上添加CFAS模塊的結(jié)果，其MAE 指標(biāo)降低到0.095；第3 行是在基模型基礎(chǔ)上使用RD-Fuse 得到的結(jié)果，其MAE 指標(biāo)降低到0.106；第4 行為同時(shí)組合CFAS 模塊和RD-Fuse 模塊的結(jié)果，其MAE 評(píng)價(jià)指標(biāo)進(jìn)一步降低到0.083。上述結(jié)果表明，CFAS 模塊和RD-Fuse 模塊對(duì)檢測(cè)性能均有提升，且是相容的。

表1 CFAS 和RD-Fuse 模塊的測(cè)試結(jié)果Table 1 Test results of CFAS and RD-Fuse modules

3.3 定量分析

為全面評(píng)估所提出算法的性能，與目前主流顯著性目標(biāo)檢測(cè)方法MOLF［16］、AFNet［33］、DMRA［34］、LFS［35］、WSC［36］、DILF［37］、F3Net［41］、CPD［48］這8種先進(jìn)的二維、三維和四維SOD 算法進(jìn)行了定量的實(shí)驗(yàn)對(duì)比。為保證實(shí)驗(yàn)對(duì)比的公平性，所有對(duì)比算法的顯著圖或由作者直接提供，或由作者官方源代碼生成。如圖4 所示，本文算法精度基本都超過(guò)其他主流算法。觀察圖5 可以看出，本文算法的灰色矩形條高度最低，即MAE 誤差最??；而黑色矩形條值最高，即WFβ指標(biāo)更具有優(yōu)勢(shì)。從圖6 的PRF 值可知，本文算法也明顯優(yōu)于其他算法，原因是本文采用的多級(jí)特征聚合模塊在確保較高的召回率下能獲得更好精度和Fβ值結(jié)果。

圖4 在DUTFFS-FS 數(shù)據(jù)集上的PR 曲線Fig.4 PR curves on DUTFFS-FS dataset

圖5 在DUTFFS-FS 數(shù)據(jù)集上的WFβ 和MAE值Fig.5 WFβ and MAE values on DUTFFS-FS dataset

圖6 在DUTFFS-FS 數(shù)據(jù)集上的精度、召回率和Fβ值Fig.6 Precision，recall，and Fβ values on DUTFS-FS dataset

圖7～圖9 分別給出了在另一個(gè)數(shù)據(jù)集HFUT-Lytro上的PR 曲線、WFβ和MAE 值以及PRF 值，結(jié)果表明本文算法的性能更優(yōu)。

圖7 在HFUT-Lytro 數(shù)據(jù)集上的PR 曲線Fig.7 PR curves on HFUT-Lytro dataset

圖8 在HFUT-Lytro 數(shù)據(jù)集上的WFβ 和MAE值Fig.8 WFβ and MAE values on HFUT-Lytro dataset

圖9 在HFUT-Lytro 數(shù)據(jù)集上的精度、召回率、Fβ值Fig.9 Precision，recall rate and Fβ value on HFUT-Lytro

3.4 定性分析

圖10 所示為不同SOD 算法視覺(jué)對(duì)比，給出5 個(gè)具有代表性的樣本實(shí)例。第1 行為前/背景顏色相似的情況，F(xiàn)3Net 檢測(cè)完全失效；在第2 行～第4 行為背景雜亂的情形，F(xiàn)3Net 檢測(cè)出現(xiàn)部分噪聲未完全抑制，其雖然也采用多級(jí)特征聚合方式，但由于CNN網(wǎng)絡(luò)提取特征有限，僅依靠CNN 的SOD 方法并不能達(dá)到特別好的效果?？傮w來(lái)看，本文算法可以在前/背景相似、背景雜亂等挑戰(zhàn)性場(chǎng)景圖像上能更有效地抑制背景，精確地檢測(cè)出完整的顯著性目標(biāo)對(duì)象，這主要得益于CNN 強(qiáng)大的特征表示能力以及光場(chǎng)豐富的視覺(jué)特征。

圖10 不同SOD 算法的視覺(jué)對(duì)比Fig.10 Visual comparison of different SOD algorithms

4 結(jié)束語(yǔ)

本文提出一種多模態(tài)多級(jí)特征聚合網(wǎng)絡(luò)算法來(lái)檢測(cè)顯著性目標(biāo)對(duì)象。利用光場(chǎng)圖像單模態(tài)內(nèi)的多級(jí)多尺度特征和不同模態(tài)間互補(bǔ)的多模態(tài)多級(jí)特征，檢測(cè)各類挑戰(zhàn)性場(chǎng)景中的顯著性目標(biāo)，并在DUTLF-FS、HFUT-Lytro光場(chǎng)基準(zhǔn)數(shù)據(jù)集上與8種目前先進(jìn)的二維、三維和四維SOD 算法進(jìn)行綜合的性能對(duì)比。實(shí)驗(yàn)結(jié)果表明，該算法在各個(gè)權(quán)威性能評(píng)價(jià)指標(biāo)上均取得了更好的結(jié)果。由于光場(chǎng)圖像豐富的視覺(jué)信息有助于解決復(fù)雜自然場(chǎng)景下的顯著性目標(biāo)檢測(cè)問(wèn)題，因此下一步將挖掘光場(chǎng)中更豐富的視覺(jué)信息與特征，以更精準(zhǔn)地檢測(cè)出完整的顯著性目標(biāo)對(duì)象。