本研究提出了一种新颖的深度架构用于显著性预测，通过整合卷积神经网络的不同层级的特征图、学习高低层级特征图的权重和使用先验学习网络来优化模型，使其在目前最大的公共数据集 SALICON 上表现优异且在 MIT300 基准测试中取得竞争性结果。

Sep, 2016

该论文提出了一种基于卷积神经网络的方法，通过提取多尺度的高级视觉特征和上下文信息，结合全局场景信息，用于准确预测视觉显著性，可以适用于资源受限的应用，如（虚拟）机器人系统，从而在多个基准测试数据集上取得了有竞争力和一致的结果。

Feb, 2019

本文介绍了基于数据驱动方法的卷积神经网络用于预测图像中显著性区域，并使用损失函数衡量预测结果的欧几里得距离和真实值的差距来进行学习和训练，该网络在 LSUN 2015 挑战赛中表现优秀，是一种快速准确的预测显著性区域的方法。

Jul, 2015

本研究提出了一种新的神经网络，用于保护边缘和多尺度语境下的显著对象检测。该框架旨在解决现有的基于 CNN 的方法存在的两个限制：区域 CNN 方法缺乏足够的上下文来准确定位显著对象，而基于像素的 CNN 方法由于卷积和池化层的存在而具有模糊的边界。该方法可广泛应用于 RGB-D 显著性检测，并具有清晰的检测边界和多尺度语境下的鲁棒性。实验结果显示，该方法在六个 RGB 和两个 RGB-D 基准数据集上均取得了最优性能。

Aug, 2016

本研究提出了一种基于全卷积神经网络的多任务深度显着性模型，通过数据驱动的策略对显着性先验信息进行编码，并设置一个多任务学习框架来探索显着性检测和语义图像分割之间的内在相关性。实验结果表明，与现有方法相比，该方法在显着性对象检测方面具有明显的优势。

Oct, 2015

本文提出了一种使用卷积神经网络（Convnet）进行显著区域预测的全数据驱动方法，其训练过程通过损失函数对 Euclidean 距离进行测量，利用大量的显著性预测数据进行端到端的快速和精确的架构设计，并提出了两种模型架构解决方案，是首个训练和测试用于显著性预测的端到端卷积神经网络。

Mar, 2016

本文提出了一种基于 DCNN 网络的端到端扩张 Inception 网络（DINet）用于实现视觉显著性预测，并使用一系列线性归一化的概率分布距离度量作为损失函数来推断全局显著性信息，从而将显著性预测转化为概率分布任务。实验结果表明，该方法可以在短时间内实现最先进的性能。

Apr, 2019

本文介绍了使用卷积神经网络进行图像视觉显著性建模的方法，采用新的神经网络结构和改进的空间相关性方法，同时使用多重分割提高了性能，实验表明我们提出的方法在公共基准测试中的表现优于目前已发表的最先进技术。

Mar, 2015

通过分析深度显著性模型中间层个体神经元学习的特征表示，研究表明：一些视觉区域已经预先编码在对象识别的网络的各个层中，预先训练模型 fine-tuning 以进行显著性预测会使它们偏爱某些类别，在自然图像上，深层显著性模型胜于传统模型，但在人造刺激上表现反其道而行之。

Mar, 2019

本研究采用深度卷积神经网络来提取多尺度特征，实现了高质量的图像显著性模型，另外还结合了手工特征，取得了很好的效果，提供了一个相应的实验数据集。

Sep, 2016