F3Net: 融合、反馈和聚焦用于显著目标检测
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
我们提出了一种简单而有效的渐进式特征磨光网络（PFPN）框架，通过多个特征磨光模块（FPM）逐步磨光多级特征以获得更准确、更具代表性的前景检测结果，而且不需要后处理。该方法能够检测出具有精细细节的显著对象，而且具有灵活性，可以集成到任何基于 CNN 的模型中。该方法在五个基准数据集上取得了显著的最优结果。
Nov, 2019
本文提出了嵌入了共同注意力模块的全卷积网络框架，称为共同注意力 FCN (CA-FCN)，旨在检测一组相关图像中的共同显著对象。实验表明，CA-FCN 在大多数情况下优于现有算法，同时通过消融研究证明了新共同注意力模块的有效性。
Aug, 2020
本文提出了一种新颖的‘Foregraound Network (F2Net)’，使用 Siamese 编码器模块、中心引导外观扩散模块和动态信息融合模块等方法，实现了在深度学习和视频对象分割的领域内的最新成果，提高了分割性能。
Dec, 2020
本文提出了一种名为 CFC-Net 的网络，该网络使用判别式特征来提高遥感图像中对象的检测精度，并通过构建强大的特征表示、优化预设锚点和优化标签分配等方面来改进检测性能。实验结果表明，在三个远程感应数据集中，与许多最先进的方法相比，该方法实现了卓越的检测性能。
Jan, 2021
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
本研究提出了一种基于 CPD 框架的新型显著性物体检测方法，通过构建部分解码器，丢弃低分辨率因素以促进加速，在深层次集成特征的基础上，利用生成的显著图来精调骨干网络的特征，从而显著提高显著性目标检测的准确性和速度。
Apr, 2019
本研究提出了一种自适应融合网络，利用人脸显著区域的掩码来增强 2D 和 3D 局部特征，通过设计的调制向量自动学习，以及计算重要性权重的新型融合策略可以在卷积层中执行自适应融合。实验结果表明，该方法在 BU-3DFE 和 Bosphorus 数据集上具有最先进的性能并且需要较少的参数。
May, 2022
本文提出了一种紧凑型次级融合网络 (Compact Twice Fusion Network, CTFN)，其中包括语义增强模块 (Semantic Enhancement Module, SEM) 和伪像素级加权模块 (Pseudo Pixel-level Weighting, PPW) 以完全整合多尺度特征，以及一种名为动态聚焦损失的新型损失函数，可用于处理纹理噪声干扰带来的分类挑战，在三个数据集上评估，CTFN 在参数和计算成本上均优于现有最先进方法。
Jul, 2023