该研究提出了一个名为 GCPANet 的新网络，采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征，并通过监督学习生成显着性图像。此外，还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块，以进一步提高网络性能。实验结果表明，该方法在六个基准数据集上的表现比现有方法都要好。

Mar, 2020

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

在深度卷积神经网络中，通过设计全局 - 局部对齐关注（GAA）网络和边缘侵蚀的深度监督策略，减少了插值对特征和标签的负面影响，相比现有方法，在五个常用数据集上实现了更好的结果。

Nov, 2023

该研究提出了一种基于 GateNet 和 Fold-ASPP 的神经网络结构，能够通过多层门单元实现更好的编解码器信息交流控制，并在五个数据集上表现优异，用于显著目标检测。

Jul, 2020

该篇论文提出了一种基于分类模块的自顶向下显著目标检测框架，通过对象字典计算稀疏编码来训练分类器，其在分类准确率和计算复杂度方面都有所提高，同时也强调分类器在显著目标检测中的重要性。

Apr, 2016

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 “aggregate interaction modules” 和 “self-interaction modules” 等方法来处理深度学习中显著目标检测中存在的变量规模和未知类别等挑战，同时，使用 “consistency-enhanced loss” 方法来处理由于尺度变化导致的类别失衡问题，从而提升对前 / 背景差异的识别和类内一致性的维持。实验结果在五个基准数据集上表明，该方法无需后处理即可比 23 种最先进的方法表现优异。

Jul, 2020

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

本文提出了一种新的卷积神经网络来融合不同的 RGBD 低级显著性线索，利用 Laplacian 传播框架提取空间一致的显著性图，并在三个数据集上进行了广泛的实验评估，结果表明这种方法始终优于现有的最先进方法。

Jul, 2016