通过在 6 个具有挑战性的数据集上定量和定性地比较 40 个最先进的模型（28 个显著性目标检测、10 个注视预测、1 个目标性、1 个基准）以进行显著目标检测和分割方法的基准测试，评价显示，这个领域在准确度和运行时间方面在过去几年里有了持续的快速进步。对于这个问题，我们发现显著目标检测专门设计的模型通常比相关领域中的模型表现更好，这为问题的精确定义提供了提示，并提出了一些可能的解决方案和未来的研究方向。

Jan, 2015

通过研究人们在场景中关注的位置以及他们明确要求时选择的最显著对象之间的关系，我们建议吸引最多注视的对象是最显著的对象。我们提供了两个新的数据集，挑战现有的显着性模型，并提出了一种基于超像素的简单但强大的模型用于模型评估和比较。我们还提供了对一些标记场景数据集的评论和统计分析，这些数据集可用于评估显着对象检测模型。

Dec, 2014

本文综述了计算机视觉中的一个重要问题：显著物体检测（SOD）。研究者们采用基于深度学习的方法进行研究，并从算法分类法到未解决的问题等多个角度全面梳理了深度学习在 SOD 方面的最新进展，提出了一些新观点和实验结果。

Apr, 2019

本调查研究了物体检测领域的主要发展现状以及现有典型检测模型的方法和评估数据集，分别分析了一阶段和二阶段检测器的综合概述，并总结了物体检测的传统和新型应用，最后就利用这些物体检测方法构建高效系统的应用建议和发展趋势进行了探讨。

Jul, 2019

本文概述了基于深度学习的物体检测器的最新发展，提供了检测中使用的基准数据集和评估指标的简明概述，以及在识别任务中使用的一些主要骨干架构和现代轻量级分类模型，最后我们比较了这些架构在多个度量标准上的性能。

Apr, 2021

本文综述了深度学习方法在目标检测领域的应用及其取得的进展，涵盖了检测框架、特征表示、目标提议生成、上下文建模、训练策略和评估指标等方面，并指出了未来研究的方向。

Sep, 2018

本文提出了一种基于深度学习和分层表示的相对显著性检测方法，解决了在多个观察者查询时显著对象定义模糊的问题，同时还能够用于解决显著性目标子计数问题，并在所有指标上的性能优于先前的任何工作。

Mar, 2018

本文提出一种基于多层图像分割的监督学习方法，将区域特征向量映射到显著性得分，最终融合多个级别的得分来产生显著图，同时通过研究区域对比度和背景性质，实现了在六个基准数据集上优于现有方法的显著物体检测算法。

Oct, 2014

本文对注视点预测和显著性目标分割算法以及主要数据集进行了深入评估。我们的分析证明了现有显著性目标基准存在严重的设计缺陷，称之为数据集设计偏见，因其过分强调了显著性的刻板概念，导致注视点与显著性目标分割之间存在不协调且误导算法设计。基于我们的分析，我们提出了一个新的高质量数据集，提供了注视点和显著性目标分割的 ground-truth。通过同时呈现注视点和显著性目标，我们能够填补注视点和显著性目标之间的差距，并提出了一种新的显著性目标分割方法。最后，我们报告了对三个现有数据集的显著性目标分割基准进展的显著评价。

Jun, 2014

本文综合调查了目前使用深度学习进行视觉对象检测的最新进展，特别关注了三个主要方面：检测组件、学习策略和应用与基准，并讨论了许多影响检测性能的因素。

Aug, 2019