摘要：針對神經網絡的顯著性區域預測存在數據采集代價大、處理繁瑣等問題,提出2種卷積神經網絡,即從頭開始訓練的淺層卷積神經網絡,以及前三層源自另一個網絡的深層卷積神經網絡。其中,淺層網絡結構簡單,可避免過擬合問題;深層網絡可以充分利用最底層的模型參數,收斂更快,效果更好。所提卷積神經網絡應用于回歸問題,均沒有直接訓練特征圖的線性模型,而是在遷移層上訓練了一堆新的卷積層。從端到端的角度解決顯著性預測,將學習過程演化為損失函數的最小化問題。測試和訓練在SALICON,SUN和MIT300數據集上進行,實驗結果驗證了所提方法的有效性。其中,深層網絡和淺層網絡在SALICON和SUN數據上的結果相似,深層網絡在MIT300上的結果更優,與其他方法相比,所提方法具有不錯的表現,而且具有跨數據集的魯棒性。