基于GNN 的顯著目標(biāo)檢測(cè)綜述

摘要：顯著目標(biāo)檢測(cè)作為一個(gè)具有廣泛應(yīng)用的研究焦點(diǎn)，其性能經(jīng)歷了從傳統(tǒng)模型到深度學(xué)習(xí)模型的飛躍。近期，圖神經(jīng)網(wǎng)絡(luò)（GNN） 由于能夠高效處理圖數(shù)據(jù)而被應(yīng)用于顯著目標(biāo)檢測(cè)領(lǐng)域，引領(lǐng)了該領(lǐng)域的前沿探索。本綜述總結(jié)了該領(lǐng)域的發(fā)展歷程，聚焦于GNN的應(yīng)用進(jìn)展，通過(guò)分類(lèi)展示其多樣化架構(gòu)及取得的成效，并介紹了主流數(shù)據(jù)集和評(píng)價(jià)標(biāo)準(zhǔn)，為研究與實(shí)踐奠定基礎(chǔ)。此外，本文展望了GNN在此領(lǐng)域的潛在發(fā)展空間，旨在激發(fā)新的研究思路與創(chuàng)新技術(shù)，指導(dǎo)學(xué)界進(jìn)一步進(jìn)步。

關(guān)鍵詞：圖神經(jīng)網(wǎng)絡(luò)；顯著目標(biāo)檢測(cè)；深度學(xué)習(xí)；計(jì)算機(jī)視覺(jué)

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）32-0016-04 開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID） ：

0 引言

受初期靈長(zhǎng)目視覺(jué)系統(tǒng)行為與神經(jīng)結(jié)構(gòu)的啟發(fā)，Litti等人[1]提出了一種視覺(jué)注意力機(jī)制，開(kāi)啟了計(jì)算機(jī)視覺(jué)中顯著對(duì)象檢測(cè)研究的篇章。自1998年起，顯著對(duì)象檢測(cè)方法可以明確地劃分為兩個(gè)階段：傳統(tǒng)策略階段和深度學(xué)習(xí)主導(dǎo)階段。

在傳統(tǒng)方法中，具體細(xì)分為以下幾類(lèi)[2]：

1） 基于塊的檢測(cè)模型。通過(guò)分析圖像的局部塊或區(qū)域來(lái)識(shí)別顯著對(duì)象，利用對(duì)比度、顏色差異和紋理特性等。他們通過(guò)引入不受網(wǎng)絡(luò)同質(zhì)性限制的塊級(jí)圖卷積網(wǎng)絡(luò)（BM-GCN） ，實(shí)現(xiàn)了“分類(lèi)聚合”的功能，自適應(yīng)學(xué)習(xí)不同類(lèi)型的鄰居聚合規(guī)則，取得了顯著成果[3]。

2） 基于區(qū)域的檢測(cè)模型。關(guān)注較大圖像區(qū)域，利用區(qū)域特征進(jìn)行顯著性分析，通常借助超像素分割等技術(shù)來(lái)加強(qiáng)目標(biāo)與背景的關(guān)聯(lián)理解。比如，Ren 等人[4]的研究，通過(guò)區(qū)域檢測(cè)模型與深度學(xué)習(xí)檢測(cè)網(wǎng)絡(luò)共享卷積特征，實(shí)現(xiàn)了近乎實(shí)時(shí)的檢測(cè)速度。

3） 融合外部引導(dǎo)的檢測(cè)模型。整合圖像外的信息，例如眼動(dòng)追蹤、深度線(xiàn)索、物體邊界等，增強(qiáng)內(nèi)部與外部信息的結(jié)合，提高檢測(cè)的準(zhǔn)確性與魯棒性。Liu等人[5]提出的像素級(jí)上下文注意力模型有效融合了局部與全局信息，優(yōu)化了檢測(cè)效果。

然而，這些基于塊、區(qū)域及外部引導(dǎo)的傳統(tǒng)模型也暴露了一些共性局限：

1） 全局上下文理解不足。過(guò)于集中在局部特征，忽視全局上下文。在復(fù)雜場(chǎng)景或目標(biāo)周?chē)蓴_過(guò)多的情況下，檢測(cè)效果容易下降。

2） 復(fù)雜背景適應(yīng)力弱。在面對(duì)多樣化背景或復(fù)雜場(chǎng)景時(shí)，難以有效區(qū)分目標(biāo)與背景。

3） 尺寸與形態(tài)敏感性。對(duì)目標(biāo)的尺寸和形狀變化較為敏感，在處理多樣性目標(biāo)時(shí)穩(wěn)定性較差。

4） 手工特征依賴(lài)。部分依賴(lài)于預(yù)設(shè)特征，導(dǎo)致在復(fù)雜環(huán)境中的泛化能力受限。

5） 多模態(tài)處理局限。通常側(cè)重單一感官模式分析，對(duì)于圖像、文本等多模態(tài)數(shù)據(jù)的處理能力有限。

深度學(xué)習(xí)的興起為顯著目標(biāo)檢測(cè)帶來(lái)了革新，盡管初期面臨圖像復(fù)雜性等挑戰(zhàn)，但全卷積網(wǎng)絡(luò)（FCN） 的引入標(biāo)志著像素級(jí)預(yù)測(cè)的新紀(jì)元，極大增強(qiáng)了對(duì)復(fù)雜場(chǎng)景的理解能力[6]。此后，進(jìn)階模型如CenterNet通過(guò)創(chuàng)新的中心點(diǎn)檢測(cè)策略，優(yōu)化了對(duì)小且被遮擋物體的檢測(cè)精度與效率[7]；而DETR（Detection Transformer） 通過(guò)摒棄傳統(tǒng)錨框設(shè)計(jì)，利用Transformer直接預(yù)測(cè)目標(biāo)位置與類(lèi)別，簡(jiǎn)化了檢測(cè)框架，同時(shí)強(qiáng)化了對(duì)重疊目標(biāo)的處理能力，為顯著目標(biāo)檢測(cè)提供了更加直觀且簡(jiǎn)化的方案[8]。

這一系列深度學(xué)習(xí)模型的演進(jìn)，不僅豐富了顯著目標(biāo)檢測(cè)的理論與實(shí)踐，還不斷拓寬了技術(shù)邊界。特別是近年來(lái)，圖神經(jīng)網(wǎng)絡(luò)（GNN） [9]作為研究的亮點(diǎn)，憑借其在處理圖結(jié)構(gòu)數(shù)據(jù)中捕獲復(fù)雜關(guān)系和上下文信息的卓越能力，為顯著目標(biāo)檢測(cè)開(kāi)創(chuàng)了新途徑。GNN 通過(guò)構(gòu)建像素間的連接，精確定位目標(biāo)的上下文與空間結(jié)構(gòu)，尤其在復(fù)雜場(chǎng)景下顯著提升了檢測(cè)的準(zhǔn)確性和魯棒性，為該領(lǐng)域的發(fā)展注入了新的活力與可能性。

1 圖神經(jīng)網(wǎng)絡(luò)

圖神經(jīng)網(wǎng)絡(luò)（GNN） 是計(jì)算機(jī)視覺(jué)中專(zhuān)為圖數(shù)據(jù)設(shè)計(jì)的強(qiáng)大工具，能夠有效分析由節(jié)點(diǎn)和邊構(gòu)成的網(wǎng)絡(luò)，捕獲圖像內(nèi)部的復(fù)雜關(guān)系。其核心優(yōu)勢(shì)在于通過(guò)迭代聚合鄰居節(jié)點(diǎn)的信息來(lái)提煉高級(jí)特征表示，從而深入洞察全局及局部關(guān)聯(lián)。

主要GNN類(lèi)型包括：

1） 圖卷積網(wǎng)絡(luò) （GCN）。在圖上應(yīng)用卷積以提取特征，理解局部與全局信息[10]。

2） 圖注意力網(wǎng)絡(luò)。融合注意力機(jī)制，動(dòng)態(tài)聚焦于圖結(jié)構(gòu)中重要的部分，從而增強(qiáng)關(guān)系建模能力[11]。

3） 圖自編碼器。通過(guò)無(wú)監(jiān)督學(xué)習(xí)方式，通過(guò)壓縮和重構(gòu)來(lái)學(xué)習(xí)圖數(shù)據(jù)的低維表示，實(shí)現(xiàn)降維和特征提取[12]。

4） 圖生成網(wǎng)絡(luò)。用于生成特定結(jié)構(gòu)的圖數(shù)據(jù)，適用于圖數(shù)據(jù)創(chuàng)造任務(wù)[13]。

接下來(lái)，筆者將介紹圖神經(jīng)網(wǎng)絡(luò)在顯著目標(biāo)檢測(cè)中的應(yīng)用，并根據(jù)主要應(yīng)用的網(wǎng)絡(luò)進(jìn)行分類(lèi)。

2 基于GNN 的顯著目標(biāo)檢測(cè)方法

2.1 基于圖卷積進(jìn)行顯著目標(biāo)檢測(cè)

該部分著重于利用圖卷積的推理能力來(lái)建模區(qū)域關(guān)系，以提取顯著目標(biāo)特征[10]。在計(jì)算機(jī)視覺(jué)任務(wù)中，如分類(lèi)[14]、分割[15]及動(dòng)作識(shí)別[16]，對(duì)長(zhǎng)距離、任意形狀的區(qū)域間關(guān)系進(jìn)行推理極為關(guān)鍵。盡管傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)（CNN） 能夠有效處理局部關(guān)系，但在捕獲全局和遠(yuǎn)距離關(guān)聯(lián)時(shí)效率較低，通常需要疊加多層來(lái)實(shí)現(xiàn)。為應(yīng)對(duì)這一挑戰(zhàn)，DenseASPP[17]整合了多尺度特征以擴(kuò)大感受野，提高分割效果；同時(shí)，CoT引入了創(chuàng)新的Transformer模塊，利用上下文指導(dǎo)動(dòng)態(tài)注意力學(xué)習(xí)，增強(qiáng)了視覺(jué)表征能力。此外，由于圖神經(jīng)網(wǎng)絡(luò)（GNN） 能夠有效地把握全局圖像結(jié)構(gòu)與關(guān)系，其通過(guò)圖表示學(xué)習(xí)來(lái)連接區(qū)域間聯(lián)系，優(yōu)化全局上下文的利用，成為一個(gè)有效的解決方案。

2.1.1 圖推理

作為一種有效的解決方案，圖推理近年來(lái)在關(guān)系推斷方面受到越來(lái)越多的關(guān)注。圖模型如條件隨機(jī)場(chǎng)（CRFs） [18]在圖像分割中得到了成功應(yīng)用，而圖卷積網(wǎng)絡(luò)（GCNs） 在半監(jiān)督分類(lèi)[19]及通過(guò)捕捉對(duì)象間關(guān)系進(jìn)行的視頻識(shí)別中也展現(xiàn)出強(qiáng)大能力[20]。這些方法依賴(lài)于預(yù)訓(xùn)練的檢測(cè)器來(lái)識(shí)別對(duì)象。而與之相比，部分研究直接采用GCN進(jìn)行端到端訓(xùn)練，實(shí)現(xiàn)任意形狀的非相鄰遠(yuǎn)端區(qū)域間推理，無(wú)需獨(dú)立的對(duì)象檢測(cè)或額外的標(biāo)注[21]。這種方法涉及特征的全局聚合與交互空間的映射。通過(guò)GCN推理后，將關(guān)系感知特征映射回原空間，從而促進(jìn)如顯著目標(biāo)檢測(cè)等后續(xù)任務(wù)的執(zhí)行[22]。其大致框架如下：

1） 坐標(biāo)到交互空間轉(zhuǎn)換。首先，確立投影函數(shù)，將原始特征映射至有利于全局推理的交互空間，特別是針對(duì)遠(yuǎn)隔和非重疊區(qū)域。

2） 圖卷積推理。在映射后，形成描述節(jié)點(diǎn)特征的圖，捕捉節(jié)點(diǎn)關(guān)系并轉(zhuǎn)化為節(jié)點(diǎn)特征互動(dòng)。利用圖卷積進(jìn)行高效分析，優(yōu)于高成本的特征連接或簡(jiǎn)單關(guān)系網(wǎng)絡(luò)，通過(guò)全連通圖結(jié)構(gòu)學(xué)習(xí)節(jié)點(diǎn)間的權(quán)重，保持特征維度的一致性。

3） 反向映射。為了與標(biāo)準(zhǔn)CNN框架兼容，最后一步是將推理后的特征反投回原坐標(biāo)空間，以便后續(xù)卷積層利用增強(qiáng)的特征進(jìn)行決策。反向映射過(guò)程與正向映射相似。

2.1.2 關(guān)系推理

該模型的核心包括關(guān)系推理編碼器和多尺度注意力解碼器，旨在克服光學(xué)遙感圖像（RSIs） [23-25]中顯著物體檢測(cè)的難題，如復(fù)雜背景和尺度變化，并已取得顯著成果。具體如下：

1） 關(guān)系推理編碼器。面對(duì)檢測(cè)目標(biāo)的多樣性和尺度變化，模型利用目標(biāo)間的關(guān)系輔助檢測(cè)，通過(guò)圖結(jié)構(gòu)將對(duì)象關(guān)系轉(zhuǎn)化為特征節(jié)點(diǎn)交互，實(shí)施關(guān)系推理。借鑒圖模型在視覺(jué)任務(wù)中的有效性，編碼器綜合空間與通道維度，分步進(jìn)行關(guān)系推理，先構(gòu)建空間推理特征，再據(jù)此進(jìn)行通道關(guān)系推理，深化內(nèi)部關(guān)系理解。

2） 多尺度注意力解碼器。解碼階段融合多級(jí)特征圖，旨在恢復(fù)不同尺度的顯著目標(biāo)。利用底層特征的高分辨率和細(xì)節(jié)優(yōu)勢(shì)，結(jié)合多尺度與注意力機(jī)制，一方面應(yīng)對(duì)物體尺寸變化，另一方面篩選編碼階段的冗余信息。解碼器設(shè)計(jì)了兩種注意力策略：一是直接計(jì)算不同視野下的多尺度注意力圖并融合；二是先提取多尺度特征，再逐尺度計(jì)算注意力。

盡管成效顯著，該模型仍面臨挑戰(zhàn)：完全識(shí)別突出物體、有效抑制非顯著高對(duì)比度物體，以及妥善處理復(fù)雜陰影，這些問(wèn)題需要在后續(xù)研究中持續(xù)優(yōu)化。

2.2 基于圖注意網(wǎng)絡(luò)進(jìn)行顯著目標(biāo)檢測(cè)

圖注意力網(wǎng)絡(luò)通過(guò)注意力機(jī)制聚焦關(guān)鍵節(jié)點(diǎn)，增強(qiáng)特征捕捉能力。例如，DANet利用空間和通道注意力整合局部與全局特征[26]，而金字塔注意力網(wǎng)絡(luò)[10]通過(guò)多級(jí)上下文聚合處理尺度變化，兩者均能促進(jìn)顯著目標(biāo)檢測(cè)。也有研究將幾種圖網(wǎng)絡(luò)融合以提升檢測(cè)性能，例如在[27]中創(chuàng)新性地引入了圖交互網(wǎng)絡(luò)，結(jié)合圖結(jié)構(gòu)信息和圖卷積特征，提高了在場(chǎng)景中檢測(cè)顯著目標(biāo)的性能。另如ST-GCN[28]雖然主要用于動(dòng)作識(shí)別，但其時(shí)空建模能力對(duì)理解目標(biāo)運(yùn)動(dòng)模式和分布同樣寶貴。ST-GCN運(yùn)用GCN處理時(shí)空數(shù)據(jù)，不僅捕獲空間關(guān)系和時(shí)序動(dòng)態(tài)，還通過(guò)節(jié)點(diǎn)表示學(xué)習(xí)區(qū)分圖像或視頻中不同區(qū)域的特征，適應(yīng)不同尺度的特征分析，增強(qiáng)了在顯著目標(biāo)檢測(cè)中的位置和形狀識(shí)別，以及魯棒性和準(zhǔn)確性。

2.3 基于圖自編碼器進(jìn)行顯著目標(biāo)檢測(cè)

圖自編碼器通過(guò)學(xué)習(xí)圖數(shù)據(jù)的低維表示，有效壓縮和重構(gòu)特征，在顯著目標(biāo)檢測(cè)中捕捉深層結(jié)構(gòu)信息。研究結(jié)合圖卷積網(wǎng)絡(luò)與圖自編碼器，前者用于理解360°視XSoMlHpkC+fd29bFEVlRRA==頻中目標(biāo)的空間上下文，后者則學(xué)習(xí)低維特征以提取關(guān)鍵信息，優(yōu)化檢測(cè)效果。而文獻(xiàn)[29]中加入的圖注意力機(jī)制，使網(wǎng)絡(luò)能動(dòng)態(tài)聚焦3D場(chǎng)景中關(guān)鍵區(qū)域，精準(zhǔn)捕捉目標(biāo)特征，同時(shí)借助自編碼器提煉高級(jí)特征表示，增強(qiáng)了從3D數(shù)據(jù)中提取顯著特征的能力，整體提升了復(fù)雜場(chǎng)景下顯著目標(biāo)的檢測(cè)性能。這表明圖自編碼器與其他圖模型的融合，可極大促進(jìn)多場(chǎng)景下顯著目標(biāo)檢測(cè)的性能。

2.4 基于圖生成網(wǎng)絡(luò)進(jìn)行顯著目標(biāo)檢測(cè)

圖生成網(wǎng)絡(luò)憑借學(xué)習(xí)圖內(nèi)節(jié)點(diǎn)與邊的互動(dòng)，革新了顯著目標(biāo)檢測(cè)領(lǐng)域，通過(guò)圖像生成強(qiáng)調(diào)目標(biāo)，以節(jié)點(diǎn)代表像素或區(qū)域，邊定義彼此關(guān)聯(lián)。網(wǎng)絡(luò)設(shè)計(jì)圍繞節(jié)點(diǎn)和邊的定義及架構(gòu)搭建，利用生成過(guò)程區(qū)分并突出目標(biāo)，借助圖結(jié)構(gòu)特征學(xué)習(xí)實(shí)現(xiàn)高效數(shù)據(jù)壓縮與高質(zhì)量重構(gòu)，深化對(duì)目標(biāo)結(jié)構(gòu)特征的理解[13]。

為精確把握目標(biāo)空間分布及上下文，常結(jié)合圖卷積網(wǎng)絡(luò)（GCN） 來(lái)強(qiáng)化節(jié)點(diǎn)間聯(lián)系理解。另外，結(jié)合圖注意力機(jī)制，可使系統(tǒng)動(dòng)態(tài)聚焦圖的關(guān)鍵部分，精準(zhǔn)定位與描述顯著目標(biāo)。擴(kuò)展到3D場(chǎng)景，該方法通過(guò)自編碼器學(xué)習(xí)高階特征表示，從3D數(shù)據(jù)中提煉顯著特征，增強(qiáng)檢測(cè)效果與泛化能力。

總體來(lái)說(shuō)，圖生成網(wǎng)絡(luò)利用圖論優(yōu)勢(shì)，在多樣環(huán)境中展現(xiàn)了卓越的顯著目標(biāo)檢測(cè)能力，開(kāi)創(chuàng)了捕捉目標(biāo)特征的新途徑。

3 顯著目標(biāo)檢測(cè)數(shù)據(jù)集

3.1 數(shù)據(jù)集合

當(dāng)前的深度學(xué)習(xí)顯著目標(biāo)檢測(cè)技術(shù)高度依賴(lài)大規(guī)模數(shù)據(jù)集，如DUT-OMRON、DUTS、HKU-IS、ECSSD/ CSSD、SOD 及PASCAL-S 等，用以訓(xùn)練和評(píng)估模型。這些數(shù)據(jù)集的特點(diǎn)如下：

1） DUT-OMRON。包含5 168幅圖像，最大邊為400像素，背景復(fù)雜，含有多個(gè)顯著對(duì)象，標(biāo)注詳盡。

2） DUTS。包含10 553幅訓(xùn)練圖和5 019幅測(cè)試圖，源自ImageNet DET與SUN，場(chǎng)景豐富，適用于顯著性檢測(cè)。

3） HKU-IS。包含4 447幅圖像，全部帶有像素級(jí)顯著對(duì)象標(biāo)注，劃分為測(cè)試集和訓(xùn)練集。

4） ECSSD/CSSD。分別包含1 000幅和200幅復(fù)雜場(chǎng)景圖，含有像素級(jí)標(biāo)注，有助于學(xué)習(xí)顯著性特征。

5） SOD?；贐SD，包含300幅圖像，涵蓋7類(lèi)對(duì)象，專(zhuān)注于顯著邊界。

6） PASCAL-S。源于PASCAL VOC，包含850 幅圖像，具有二進(jìn)制標(biāo)注，用于評(píng)估顯著目標(biāo)檢測(cè)性能。

這些數(shù)據(jù)集共同推動(dòng)了顯著目標(biāo)檢測(cè)技術(shù)的發(fā)展，提供了多樣化和復(fù)雜的測(cè)試基準(zhǔn)。

3.2 評(píng)價(jià)指標(biāo)

為了評(píng)估性能，本節(jié)重點(diǎn)介紹以下廣泛使用的評(píng)價(jià)指標(biāo)：精確率（PR） 、F分?jǐn)?shù)（F-Measure） 、平均絕對(duì)誤差（Mean Absolute Error，MAE） 、S分?jǐn)?shù)（S-Measure） 、PR 曲線(xiàn)（PR curves） 、E分?jǐn)?shù)（E-Measure） 。

1） 精確率（PR） 。精確率是輸出位置在給定的真值閾值距離內(nèi)的幀的百分比。在某些場(chǎng)景下，也可以使用最大精確率（MPR） 作為評(píng)價(jià)指標(biāo)。

2） F-分?jǐn)?shù)（F-Measure） 。融合準(zhǔn)確率與召回率，通過(guò)調(diào)和平均取得，反映綜合性能。

3） 平均絕對(duì)誤差（MAE） 。表示預(yù)測(cè)值和觀測(cè)值之間絕對(duì)誤差的平均值，通常越小越好。

4） S分?jǐn)?shù)（S-Measure） 。該指標(biāo)的計(jì)算涉及顯著性圖的結(jié)構(gòu)相似性和顯著性圖的區(qū)域相似性。具體形式可能因研究和實(shí)現(xiàn)而異。該指標(biāo)的取值范圍通常在0到1之間，其中1表示完美匹配。

5） PR曲線(xiàn)（PR curves） 。即以召回率（Recall） 為橫坐標(biāo)，精確率為縱坐標(biāo)繪制而成的曲線(xiàn)，通過(guò)調(diào)節(jié)分類(lèi)閾值，可以得到不同的召回率和精確率，從而得到PR曲線(xiàn)。

6） E分?jǐn)?shù)（E-Measure） 。綜合考慮了算法生成的顯著性圖與真實(shí)顯著性圖之間的結(jié)構(gòu)相似性、亮度一致性和顯著目標(biāo)的區(qū)域相似性。E-measure的計(jì)算公式和具體實(shí)現(xiàn)可能有一些變化，取決于研究和評(píng)估的具體設(shè)置。該指標(biāo)的取值范圍通常在0到1之間，其中1表示完美匹配。

4 總結(jié)

本文回顧了顯著目標(biāo)檢測(cè)的演進(jìn)，包括從早期技術(shù)到近期深度學(xué)習(xí)技術(shù)，并著重介紹了圖神經(jīng)網(wǎng)絡(luò)（GNN） 在此領(lǐng)域的應(yīng)用。文章首先概述了GNN的基本構(gòu)成，隨后分類(lèi)探討了其在顯著目標(biāo)檢測(cè)上的研究進(jìn)展，同時(shí)涵蓋了關(guān)鍵數(shù)據(jù)集與評(píng)價(jià)標(biāo)準(zhǔn)。

展望未來(lái)，GNN在該領(lǐng)域的潛在研究方向包括：

1） 動(dòng)態(tài)圖處理。針對(duì)視頻數(shù)據(jù)，研發(fā)適應(yīng)性強(qiáng)的GNN，實(shí)現(xiàn)實(shí)時(shí)圖分析預(yù)測(cè)，提升視頻顯著目標(biāo)檢測(cè)的精度。

2） 不完整圖學(xué)習(xí)。研究處理圖數(shù)據(jù)缺失問(wèn)題的方法，恢復(fù)丟失信息，增強(qiáng)實(shí)際場(chǎng)景下的應(yīng)用能力。

3） 不確定性建模。探究GNN在捕捉顯著目標(biāo)不確定性上的潛力，以增強(qiáng)系統(tǒng)的魯棒性和可靠性。

這些方向有望推動(dòng)顯著目標(biāo)檢測(cè)技術(shù)的進(jìn)一步發(fā)展。

【通聯(lián)編輯：唐一東】