近年来,通过学者们的不懈努力,计算机视觉得到了快速发展,显著性检测也在机器学习和图像处理等领域得到了更为广泛的应用,其中包括目标识别、图像检索、图像分类、语义分割及图像问答等方面。但是,随着图像数据集的不断扩充以及场景复杂度的增加,传统的显著物体检测方法已经很难满足研究者们的需求,在许多计算机视觉任务(如边缘检测和语义分割)中难以捕获语义信息,存在很大的局限性。最近,随着深度学习技术的迅速发展,显著物体检测已经取得了很大的进步。但是,在移动设备的后续应用中,仍然存在低分辨率输出和较大的模型冗余两个主要的挑战。因此,本文研究精确的轻量级深度显著物体检测网络。本文主要研究工作如下:1.本文在HED结构中引入残差学习用于显著物体检测。首先,利用最深层网络较强的语义捕获能力,预测分辨率较低的初始显著性图,然后在各个侧输出依次预测其与真值标注之间的残差,以此来逐步提高显著性图的分辨率。由于只需学习残差特征,可以显著地减少网络模型的参数。相比于现有的其它深度显著性检测网络,本文方法不仅可以得到高分辨率的显著性图,而且网络参数更少,模型也更紧致。2.进一步提出反向注意力机制来引导侧输出残差学习。主要就是利用自顶向下的思想,根据网络中深层特征语义置信度高但分辨率低的特点,通过从侧输出特征中擦除当前预测的显著区域,从而引导整个网络依次地发现缺失的物体区域和细节,其中当前预测是从较深层的侧输出特征中上采样得到的。这种自顶向下的实现方式,能够让网络集中于未检测区域,有效快速地捕获残差细节,加快网络收敛并能显著地提高性能。3.通过将显著性先验作为显著性检测网络的初始输入来进一步减小网络模型大小。本文设计两种方案生成初始显著性预测图,即从卷积神经网络(Convolution neural network,CNN)中学习和使用现有的显著性先验(Saliencyprior)。实验结果表明,无论这些初始预测精确与否,通过基于反向注意力的侧输出残差学习之后,都可以被提升到与现有最好方法相似的性能。4.受益于侧输出残差学习单元以及反向注意力机制模块,本文方法取得了当前更好的性能,并且在简单性、效率(45FPS)和模型大小(81MB)上更具优势。通过利用现有的显著性先验图作为初始预测,在保持精度的同时,模型大小可进一步减小到60.7MB。大量的实验结果表明,本文所提出的方法在现有的几个公开数据集中,在PR(Precision-Recall)曲线、F-measure、MAE(Mean Absolute Error)以及 SM(Structure-measure)评价指标方面,与多个先进的方法相比均体现出优异的性能。另外,平均运行时间也远小于现有方法。因此,到目前为止,本文方法的实用性更高。另外,本文也将显著性检测结果用于背景虚化,取得了较好的视觉效果。