The boundary quality is a key factor determining the success of accurate salient object detection (SOD). A number of edge-guided SOD methods have been proposed to improve the boundary quality, but shown unsatisfactory performance due to the lack of a comprehensive consideration of multi-level feature fusion and multi-type feature aggregation. To resolve this issue, we propose a novel Bidirectional Collaboration Network (BCNet), which integrates effective multi-level feature fusion and multi-type feature aggregation into a unified edge-guided SOD framework. Specifically, we first utilize multiple Consistency Saliency Maximization (CSM) modules to propagate the highest level semantic representations in a top-down progressive pathway to generate both global edge representations and a series of region representations. Multiple Bounded Feature Fusion (BFF) modules are then utilized to refine the region features with the edge features. The CSM and BFF modules enable robust multi-level feature fusion and multi-type feature aggregation with only little extra computation, which allows a high computational efficiency. Finally, BCNet is jointly trained with edge and region losses in an end-to-end manner. Extensive comparisons are conducted with 17 state-of-the-art methods on five challenging benchmark datasets. Thanks to the use of CSM and BFF modules, our BCNet outperforms existing deep learning based SOD methods, including the latest edge-guided ones, in terms of both detection accuracy and processing speed.

边界质量是决定精确显着物体检测（SOD）成功与否的关键因素。已经提出了许多边缘引导的SOD方法来改善边界质量，但是由于缺乏对多级特征融合和多类型特征聚合的综合考虑，因此显示出令人满意的性能。为解决此问题，我们提出了一种新颖的双向协作网络（BCNet），它将有效的多级特征融合和多类型特征聚合集成到统一的边缘导向SOD框架中。具体来说，我们首先利用多个一致性显着性最大化（CSM）模块，以自顶向下的递进路径传播最高级别的语义表示，以生成全局边缘表示和一系列区域表示。然后，利用多个边界特征融合（BFF）模块来利用边缘特征细化区域特征。CSM和BFF模块仅需很少的额外计算即可实现强大的多级特征融合和多类型特征聚合，从而实现了高计算效率。最后，以端到端的方式对BCNet进行边缘和区域损失联合培训。在五个具有挑战性的基准数据集上，使用17种最先进的方法进行了广泛的比较。由于使用了CSM和BFF模块，我们的BCNet在检测准确度和处理速度方面都优于现有的基于深度学习的SOD方法，包括最新的边缘引导方法。CSM和BFF模块仅需很少的额外计算即可实现强大的多级特征融合和多类型特征聚合，从而实现了高计算效率。最后，以端到端的方式对BCNet进行边缘和区域损失联合培训。在五个具有挑战性的基准数据集上，使用17种最先进的方法进行了广泛的比较。由于使用了CSM和BFF模块，我们的BCNet在检测准确度和处理速度方面都优于现有的基于深度学习的SOD方法，包括最新的边缘引导方法。CSM和BFF模块仅需很少的额外计算即可实现强大的多级特征融合和多类型特征聚合，从而实现了高计算效率。最后，以端到端的方式对BCNet进行边缘和区域损失联合培训。在五个具有挑战性的基准数据集上，使用17种最先进的方法进行了广泛的比较。由于使用了CSM和BFF模块，我们的BCNet在检测准确度和处理速度方面都优于现有的基于深度学习的SOD方法，包括最新的边缘引导方法。在五个具有挑战性的基准数据集上，使用17种最先进的方法进行了广泛的比较。由于使用了CSM和BFF模块，我们的BCNet在检测准确度和处理速度方面都优于现有的基于深度学习的SOD方法，包括最新的边缘引导方法。在五个具有挑战性的基准数据集上，使用17种最先进的方法进行了广泛的比较。由于使用了CSM和BFF模块，我们的BCNet在检测准确度和处理速度方面都优于现有的基于深度学习的SOD方法，包括最新的边缘引导方法。