显著性检测分类（数据集和评估指标总结）

一：RGB显著性检测

常用数据集

其中有DUTS，ECSSD，DUT-OMRON，PASCAL-S，HKU-IS，SOD，SOC，MSRA-B

（1）DUTS：DUTS-TR(训练集):10553张，DUTS-TE(测试集):5019张

        特点：复杂背景、高质量标注，深度学习模型常用数据集

（2）ECSSD：1000张

        特点：片内容丰富，包含多个显著目标

（3）DUT-OMRON：5168张

        特点：场景复杂，显著目标较小且数量多，包含了更多复杂背景和遮挡，目标位置更加多样化。

（4）PASCAL-S：850张

        特点：高质量的显著性标注，包含物体级别的显著目标

（5）HKU-IS：4447张

        特点：目标尺寸变化大，前景和背景对比度较强。

（6）SOD：300张

        特点：专注于多目标场景， 且标注了精确的边缘掩码。

（7) SOC：6000张

        特点：强调“背景干扰”和“目标遮挡”的场景，难度非常高

（8）MSRA-B：5000张

        特点：最早的显著性数据集之一，目标清晰且显著。

常用评估指标

有MAE,F-measure,S-measure,E-measure评估指标。

（1）MAE（平均绝对误差）

物理意义：衡量的是预测显著性图S与真实标签G之间的像素级误差，MAE的值越小，代表模型预测的显著区域越准确。

（2）F-measure (F-度量)

F-measure在RGB显著性检测中的三种版本：

（1）：直接在显著性图上选择一个固定的二值化阈值（通常为0.5）来计算Precision和Recall。

物理意义：综合了精确度和召回率，平衡了显著性检测中的“检测到目标区域”和“抑制背景区域”能力。

存在的缺陷：（1）受阈值选择的影响非常大，如果固定阈值选择不当，评估结果不准确

                      （2）不能反映模型在不同阈值下的整体性能

（2）：遍历所有阈值 θ∈[0,255]，选择最优阈值下的F-measure。解决了固定阈值评估不公平的问题。

核心思想：搜索最有阈值，反映显著性图的上限性能，避免了人为选择阈值的影响，能够反映模型的全局性能。

（3）：解决了前景-背景不平衡问题，在显著性检测任务中，前景通常较小，背景区域占较大，传统F-measure容易被背景主导。

核心思想：给显著目标区域更高的权重，降低背景区域的影响，对边缘区域和细节目标更敏感，在RGB-D SOD、RGB-T SOD等多模态任务中，几乎是标配指标。

（3）S-measure（结构度量）

在传统的 F-measure 中，前景区域 (salient object) 和 背景区域 (background) 受到二值化阈值的影响，评估不够稳定。而 S-measure 是一种结构相似性度量 (Structural Similarity Metric)，直接衡量预测显著图和Ground Truth在结构层面的匹配程度。

（4）E-measure（增强度量）

E-measure = 全局信息 (global) + 局部对齐 (local) 的结合度量。

二：RGB-D显著性检测 (RGB-D SOD)

常用数据集

有NJU2K，NLPR，SIP，STERE，DES，RGBD135，ReDWeb-S，COME

（1）NJU2K：1985张

特点：最早提出的RGB-D SOD数据集，场景多样性极高，被大量先进的方法使用。

（2）NLPR：1000张

特点：高质量双目深度图，小规模但高质量，适合模型鲁棒性评估

（3）SIP：929张

特点：强调行人显著性检测，移动设备拍摄，背景复杂，MobileSal论文核心测试集

（4）STERE：1000张

特点：经典立体匹配深度图，室内场景为主，辅助评估模型性能

（5）DES：135张

特点：最早的RGB-D SOD数据集之一，常用于模型快速验证，适合小型模型调试或迁移学习任务

（6）RGBD135：135张

特点：适合小型显著性检测任务，强调物体级显著性，场景相对简单，常用于模型鲁棒性评估

（7）ReDWeb-S：3600张

特点：使用深度估计算法生成深度图，用于深度感知和显著性结合任务

（8）COME：2900张

特点：当前RGB-D SOD领域最大规模数据集，深度图质量高，且包含真实深度和合成深度两部分。

常用评估指标

有：有MAE,F-measure,S-measure,E-measure评估指标。见上面

三：RGB-T显著性检测 (RGB-T SOD)

常用数据集

有：VT821，VT1000，VT5000(最新最全)，VT2000

（1）VT821：821张

特点：场景类型: 室内 + 室外，深度来源: 红外热成像相机，GT质量: 精细像素级，RGB-T SOD领域最早且最常用的数据集。

（2）VT1000：1000张

特点：场景类型: 复杂环境 + 昼夜场景，热图质量: 高质量红外图像，GT质量: 像素级标注，MobileSal论文中的核心测试集之一。

（3）VT5000 ：5000张

特点：场景类型: 多种场景 (低光、雨天、遮挡、背景干扰等)，热图来源: 双光谱传感器，GT质量: 像素级标注，RGB-T SOD领域目前最大规模的数据集。

（4）VT2000：2000张

特点：场景类型: 动态目标跟踪 + 晚间场景，热图质量: 高清红外热成像，GT质量: 精细像素级

常用评估指标

有：MAE,F-measure,S-measure,E-measure评估指标。见上面

四：Co-SOD协同显著性检测

常用数据集

有：CoSal2015，CoSOD3k，CoCA，Cosal150

（1）CoSal2015：2015张

特点：场景类型: 自然场景 + 室内/室外场景，GT质量: 精细像素级，Co-SOD领域最早且最广泛使用的数据集

（2）CoSOD3k：3160张

特点：场景类型: 复杂多物体 + 光照变化 + 背景干扰，GT质量: 精细像素级标注，目前Co-SOD领域最受欢迎的数据集 

（3）CoCA：1295张

特点：场景类型: 极端挑战场景 (遮挡、背景干扰、目标变化等)，GT质量: 像素级标注，用于评估Co-SOD模型的鲁棒性

（4）Cosal150：150张

特点：场景类型: 简单场景 (单一物体)，GT质量: 粗标注，适合小规模验证

常用评估指标

有：MAE,F-measure,S-measure,E-measure评估指标。见上面C-measure（协同一致性度量 (Co-SOD独有指标)）

C-measure（协同一致性度量）：衡量同一组图像之间的显著性一致性

作用：衡量Co-SOD模型是否能够在不同图像中检测除共享的显著目标。