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

本文介绍近期在显著物体检测领域中的一些进展和问题，涵盖了 228 个出版物，讨论了关键概念、任务、核心技术和建模趋势、数据集和评估指标，并探讨了模型性能的数据集偏差和评估指标等方面的开放性问题以及未来的研究方向。

Nov, 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

本文对显著物体检测模型进行了全面评估，发现现有 SOD 数据集中普遍存在偏见性，即假设每幅图像中至少包含一个低噪声的显著物体。这种偏见导致现有数据集上的最新 SOD 模型性能过高，但在面临实际场景时仍表现不尽如人意。该研究提出了一个综合、平衡且高质量的新数据集 SOC，该数据集包含各种日常物品的显著和非显著物体，并提供反映实际情况的通用挑战属性。最后，本文还对该数据集进行了基于属性的性能评估。

Mar, 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

本文提出了将语义先验嵌入显式和隐式显著性图中的算法，以形成像素精度显著性图。在 ECSSD 和 HKUIS 两个具有挑战性的数据集上进行的广泛实验表明，本方法优于其他最新方法。

May, 2017

本研究旨在使用 holistic cues 预测图像中显著对象的存在和数量，并提出了一个包含约 14K 个图像的显著目标数目预测数据集，并使用在线众包市场进行注释。使用端到端训练的卷积神经网络（CNN）模型，对于仅包含零个或一个显著对象的图像，我们实现了与人类性能相当的预测准确性。对于多个显著对象的图像，我们的模型也无需任何本地化过程即可提供显著优于随机的性能，此外，我们还提出了一种通过利用合成图像来改善 CNN 数目预测模型训练的方法。我们实验证明了 CNN 数目预测模型的准确性和通用性，并将其应用于显著目标检测和图像检索中。

Jul, 2016

本文提出了一种新的基于标签传播的显着性检测方法，该方法利用最确定的背景和物体区域提取出的标签来估计图像中的显着性，并通过一种内部传播方案将相似度排名应用于边界标签以决定其它超像素的显着性，同时采用三种因素来提取前景标签并将其与边界标签通过一种交互传播方案进行融合，最后，在五个基准数据集的像素级准确注释上的结果表明，该方法在不同的评估指标方面均表现优于最新的同类方法。

May, 2015

本文提出了一种基于概率框架的优化方法来解决显著性目标检测的问题，同时还与图割、扩散映射和一类分类方法相结合，实现了对局部 / 全局对比度和大面积显著性线索的全局最优近似，该方法在包括大约 17k 张图像等多个评价指标的显著目标检测数据集上的表现优于现有算法，计算复杂度与许多现有技术相当 / 有利。

Sep, 2016