深度卷积神经网络已经被用于显著目标检测（Salient object detection），并获得了 SOTA 的性能。但先前研究的重点大多集中在区域准确率而非边界质量上。因此，在本文中，来自加拿大阿尔伯塔大学的研究者提出了一种预测优化架构 BASNet，以及一种用于边界感知显著目标检测（Boundary-Aware Salient object detection）的新型混合损失。论文的第一作者秦雪彬曾就读于山东农业大学和北京大学，现在是阿尔伯塔大学的博士后研究员。具体而言，该架构由密集监督的编码器 - 解码器网络和残差优化模块组成。它们分别负责显著性预测和显著图优化。混合损失通过集合二进制交叉熵（Binary Cross Entropy, BCE）、结构相似性（Structural SIMilarity, SSIM）和交并比（Intersectionover-Union, IoU）损失，指导网络学习输入图像和真值（ground-truth）之间的转换。借助于混合损失，预测优化架构能够有效地分割显著目标区域，并准确地预测具有清晰边界的精细结构。在六个公开数据集上的实验结果表明，无论是在区域评估还是在边界评估方面，该研究提出的方法都优于当前 SOTA 方法。