显著性检测任务是应用计算机视觉技术模拟人眼对图像的不同区域的注意力分布的任务。在这一任务中开发出的模型被广泛应用于其他视觉任务如目标分割、目标候选生成、图像裁剪等之中,成为一种有效的图像预处理方式。在现有的显著性检测研究中,U-shape型结构被广泛采用。这些结构被证明在图像分割类任务中可以有效实现高准确性预测,而在目标检测任务上用大量数据训练出的模型参数被复用则使其训练时间与准确性都可以达到理想水准。许多研究者将注意力机制引入显著性检测领域中以突出对关键区域信息的提取能力,并使其在图像信息逐层解码过程中发挥作用,有效提高了图像编码信息的利用效率但是也使模型解码过程的计算负担大大增加。为了解决网络中多层次应用注意力机制带来的计算消耗过大的问题,我们采取以显著性预测结果作为注意力权重分布的方式增强模型对前景与背景的区分能力。以分叉网络为网络骨干结构,通过设计注意力机制以建立网络的两个分支的检测结果间的联系,我们可以以较少的参数代价获得模型对于前景的更大的感知能力。除此之外,针对以往的检测模型在前景区域边缘预测模糊的问题,我们在注意力机制模块中嵌入了边缘权重以增强模型对边缘区域信息的获取能力。从实际的检测效果可以发现,我们设计的注意力机制结构优化了前景区域内部连续性,在前景与背景间能够获得更加清晰的分界,并且从参数量的减少中得益而能实现120 fps的检测速度。