本文提出了一种新的损失函数 FLoss，可以用来训练 CNN 网络，同时在评估时使用 F-Measure，能够使网络产生极性激活，从而获得高质量的显著性图。实验结果表明，相比于传统的交叉熵损失函数，本文的方法在几个流行数据集上均取得了更好的性能表现。

May, 2018

利用新的结构相似度度量方法（Structure-measure），提高非二进制前景图的评估准确性，与基于像素误差的现有测量标准相比，该方法同时考虑区域和对象感知的结构相似性，通过在 5 个基准数据集上的 5 种元测量验证优越性。

Aug, 2017

本研究提出了一种新的增强对准度量方法 (E-measure)，结合了局部像素值和图像级平均值，并与现有的二元前景图测量方法相比，在四个广泛应用于计算机视觉领域的数据集上表现出较高的优越性。

May, 2018

本研究探索了现有的用于评估显著图质量（即 “保真度”）的指标，并发现当前文献中这些指标的计算方式缺乏一致性，且可重复性差，说明用这些指标生成的显著图质量排名可能不可信。

Nov, 2019

本文提出了一种新的距离图生成损失项来辅助卷积神经网络在医学图像分割中选择难以分割区域，经实验证明此项可以显著提高分割质量、更好地保存骨骼边界形状特征，有望用于提取形态学生物标志物，并得出定量评估指标。

Aug, 2019

本文分析了 8 种不同的评估指标及其属性，通过系统性实验和计算可视化，为显著性评分的可解释性和评估的透明度增加了解释性。建立在指标属性和特性之上，我们针对特定应用和假设为度量选择提供了建议。

Apr, 2016

本研究提出一种基于 Bernoulli 分布的显著性图模型，并使用包括 softmax 在内的新损失函数，通过大规模数据和深度结构进行显著性估计，表现优于现有的显著性方法。

Apr, 2018

提出了一种基于时空多任务结构输出优化的鲁棒性关键点跟踪器，实现了跨帧时空模型的一致性、帧内空间模型的一致性以及辨别特征的构建，并采用联合学习方案同时优化了上述三个模块。

Dec, 2014

通过贝叶斯决策理论，将视觉显著性模型、显著性地图和评价指标分离，提出了一种基于概率模型的注视密度预测方法，并通过计算这些最优显著性地图来解决了显著性模型评估中不一致的指标问题。

Apr, 2017

该研究提出了一种基于显著性引导的图像分割网络，利用自我注意力显著性方法生成微妙的显著性地图，并通过点种植区域生长方法将地点线索扩展为像素级标签，从而生成具有区分性的对象区域。实验结果表明，该方法有效降低了显著性噪声的影响，提高了弱监督图像分割的准确性。

Oct, 2018