本文提出了一种基于深度对比型深度神经网络的反卷积模型进行显著性目标检测的方法，能够解决现有方法中时间和精度的局限性，并且在多个基准数据集上都表现出良好的性能。

Mar, 2018

本文提出一种端到端的深度对比网络，通过像素级全卷积流和分段空间汇聚流两个部分相结合，最终产生精度更高，检测效果更优的显著性图，并通过实验验证其优于现有基于卷积神经网络的方法。

Mar, 2016

本文提出了一个深度学习模型，通过数据增强技术和动态显著性模型来高效地检测视频中的显著区域，该模型在 DAVIS 和 FBMS 数据集上达到了最新的性能标准。

Feb, 2017

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

本研究提出了基于对称全卷积网络的独特特征学习框架，该方法将无损特征反射的指导下，结合显著目标的位置信息、语境和语义信息，用于更精确地进行显著性预测，并使用新的结构损失函数来辅助预测边缘和保证空间一致性。实验表明，该方法在七个显著性检测数据集上均取得了优异的性能，超过了最近的先进方法。

Feb, 2018

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

该研究通过迭代地关注图像补丁并进一步增强预测的分割掩模，使用基于 ConvGRU 网络的聚合策略独立估算每个图像补丁的显著性特征，实现端到端的图像分割，较现有方法表现更优，消除背景噪声和假阳性。

May, 2019

本文研究利用显著性在很少的训练数据时提高卷积神经网络的分类准确性。我们利用在现有 CNN 架构中添加显著性分支来引导特征提取过程，从而训练出一个具有高水平的对象识别精度的模型。我们的实验表明，显著性方法可以显著提高网络性能，特别是在很少的训练数据情况下。

Aug, 2018

本文提出了一种名为 AttentionNet 的基于深度卷积神经网络的新型检测方法，将目标检测问题视为迭代分类问题，通过提供定量化的目标物体弱方向并融合来自 AttentionNet 的迭代预测结果，从而实现更精确的物体边界检测。AttentionNet 是一种统一的目标检测网络，从物体提议到后续的 bounding-box 回归均可进行检测，并在人类检测任务中取得了 65%（AP）的最先进效果，仅采用 8 层结构。

Jun, 2015