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

本研究提出了一种可扩展的 EML-NET 多层网络系统，利用多种强有力的深度 CNN 模型更好地提取视觉特征进行显著性预测，从而取得了公共显著性基准测试（SALICON、MIT300 和 CAT2000）的最新成果。

May, 2018

本研究提出了一种从头开始训练仅使用 0.048％其他深度显著对象检测网络参数的内存高效网络的方法，该方法使用保留常规像素的对象边界和连接规则的网格化超像素将图像进行编码，实现与最先进的深度显著对象检测方法相媲美的准确性，更快速、更节省内存并适用于内存受限的设备。

Dec, 2017

提出了用于显著性目标检测的多层次、混合和多阶段注意力网络（M$^3$Net），包括多尺度交互块和混合注意力块，并引入多层次监督策略进行聚合特征的优化。在六个具有挑战性的数据集上的实验证明，所提出的 M$^3$Net 在四个指标上优于最近的 CNN 和基于 Transformer 的显著性目标检测方法。

Sep, 2023

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

基于本地描述符和信息融合模块的少样本分割模型用于金属缺陷检测，提高数据稀缺问题与工业应用中的对象分割精度，比现有基准方法表现更好。

Mar, 2024

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

该论文将显著分割重新定义为基于像素对连接性预测的任务，并提出了一种名为 ConnNet 的新方法，该方法通过利用图像中嵌入的多级级联语境和长距离像素关系预测每个像素与其相邻像素的连接概率，成功地实现了显著分割和显著实例级分割。该方法比现有方法更少复杂，具有更好的性能。

Apr, 2018

本研究提出了一种叫做区域感知度量学习（RAML）的方法，通过区分图像的不同区域和生成区域感知特征从而改进模型在分割异常区域和 OUP 对象上的性能，在增量少样本学习方面达到了 SOTA 表现。

May, 2022

为解决现有显著性目标检测（SOD）方法在高分辨率场景中无法同时满足快速推理和准确结果的问题，本文提出了构建高分辨率显著性目标抠图数据集 HRSOM 和轻量级网络 PSUNet 的方法。在单个 640×640 像素图像上运行的推理时间仅为 113 毫秒，在模型客观评估和主观评估方面均优于行业标杆 IOS16。

Dec, 2023