根据经验，基于深度学习的方法能够比其他两种方法更好地捕获全局语义信息和局部细节，而且它们不偏向于任何已知和未知区域像素之间存在相关性的粗略假设。

SOD 的主要目标是分割图片中最显著（重要）和视觉上有吸引力的对象。许多领域，如图像分割和视觉跟踪，在各种应用中应用 SOD。与图像抠图类似，在用于显着性检测的全卷积网络 (FCN) 兴起之后，SOD的最新技术水平显著提高。

与自然抠图不同，显著目标检测并不像看起来那么复杂，实现精确显著目标检测的主要挑战是：

(1)显著性定位。特定视觉资源的显着性通常定义为整个图像的全局对比度，而不是任何像素或局部特征。因此，为了获得精确的 SOD，显著性检测算法不仅要捕获整个图像的全局对比度，还要建立对前景对象详细结构的精确表示。为了解决这个问题，使用了多级深度特征聚合网络。

(2)没有边界细化损失。用于训练显著性目标检测模型的最常见的损失是联合交集 (IoU) 损失或交叉熵 (CE)。但这两种方法都会导致边界细节模糊，因为它们都能有效区分边界像素。许多研究也使用 Dice-score 损失，但其主要目的是处理有偏差的训练集，而不是专门加强精细结构的建模。

用于显著目标检测的深度学习文献有着丰富的现代历史。一些研究强调使用具有注意机制的深度递归网络对某些选择性图像子区域进行迭代细化。另一方面，一些研究强调了通过深度多径循环连接从网络深层到浅端的全局信息传输的有效性。许多作者像胡等人[1] 和王等人[2] 提出了使用循环全连接网络或循环连接多层深层特征进行显著目标检测方法，这些研究也表明了预测误差迭代修正的有效性。与前面提到的研究工作相比，一些研究还展示了在U-Net 架构中使用上下文注意网络来预测像素级注意力图的架构。从评价指标来看，这些提取的像素级注意图对于显著性检测是非常有效的。提出的方法很少有强调从粗到细的预测转换，这些方法提出了通过捕获更精细的结构来实现更准确的边界细节的细化策略。例如，卢等人提出了一种架构，该架构捕获深度层次显著性表示，用于对显著图的各种全局结构化显著性线索以及后细化阶段进行建模。显著目标检测领域的最新进展是Qin 等人提出的，他们提出了一个强大的深度网络架构（U^2-Net），具有两层嵌套的 U 结构。

根据经验，SOD 也实现了更高质量的显着图作为自然图像抠图，但在透明度建模和精细结构提取方面的质量较差。

软分割被定义为将图像分解为两个或更多部分，其中每个成员像素可能拥有分为两个或更多部分的成员资格。

语义软段，通过为每个段分配纯色来可视化

大多数早期的软分割方法强调使用逐像素颜色分离或全局优化来提取各种同质颜色的软显著性图。虽然观察到这些提取的软彩色地图对许多关键的图像编辑应用程序（例如图像重新着色）很有用，但与 SOD 类似，它们并没有特别考虑对象边界和过渡区域粒度。有趣的是，图像抠图与软分割的分支有着非常密切的关系。事实上，一些图像抠图文献（例如 Matting Laplacian）完全符合软分割的关键思想，即捕捉图像中局部软过渡区域的强大表示。给定一组用户定义的区域，这些方法主要基于迭代求解两层软分割问题以生成多层的思想。Levin等人在光谱抠图方面的工作也达到了同样的目的，通过光谱分解自动估计一组空间连接的软段。Aksoy等人最近的软分割研究也遵循了光谱抠图与光谱分解和消光拉普拉斯算子相结合的思想。然而，与光谱抠图不同的是，他们的工作通过将局部纹理信息与训练用于场景分析的深度卷积神经网络的高级特征融合，从光谱分解角度解决问题。他们的主要贡献之一是使用类似图的结构，通过语义对象以及它们之间的软转换来丰富相应拉普拉斯矩阵的特征向量。

根据经验，软分割是自然图像抠图的一个派生分支，它结合了丰富的历史图像抠图实践和深度学习的力量。同样与普通图像抠图不同的是，软分割提供了更多层的输出来表示语义上有意义的区域。但是，尽管有很大的改进，仍有巨大的改进空间需要解决。

我们已经从解决显着前景提取问题的角度解释了这些方法，但这些方法所要解决的实际问题在各自的研究分支中非常丰富和多样化，并以自己的方式为深度计算机视觉领域做出了贡献。

[1] 胡小伟、朱磊、秦静、傅志荣、彭安恒。反复聚合深度特征以进行显着目标检测。在 AAAI-18 会议记录中，美国路易斯安那州新奥尔良，第 6943-6950 页，2018 年。

[2] 王林昭、王立军、卢虎川、张萍萍、向阮。使用循环全卷积网络进行显着目标检测。IEEE 模式分析和机器智能汇刊，2018 年。