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

本论文提出了一种基于深度卷积神经网络的图像显著性计算框架，用于在复杂背景下准确识别感兴趣的物体。该框架结合了粗略和精细级别的观察，通过两个堆叠的卷积神经网络建立显著性模型。经过实验证明，该框架的性能胜过其他先前方法，并且具有很好的通用性。

Nov, 2015

本文分析了8种不同的评估指标及其属性，通过系统性实验和计算可视化，为显著性评分的可解释性和评估的透明度增加了解释性。建立在指标属性和特性之上，我们针对特定应用和假设为度量选择提供了建议。

Apr, 2016

本文提出采用深度学习对显著区域检测中的高、低级特征进行提取，利用1x1卷积和ReLU层对距离地图进行编码，将高、低级特征融合进入全连接的神经网络分类器，以改进现有的深度学习算法，在显著区域检测任务上取得进一步提升。

Apr, 2016

通过贝叶斯决策理论，将视觉显著性模型、显著性地图和评价指标分离，提出了一种基于概率模型的注视密度预测方法，并通过计算这些最优显著性地图来解决了显著性模型评估中不一致的指标问题。

Apr, 2017

通过学习通过由“弱”和“噪声”的非监督型手工精炼显着性方法生成的多个噪声标签，我们提出了一种新的非监督型显着性检测模型，该模型包括一个隐式显着性预测模块和一个噪声建模模块，二者协作学习，并共同优化以使我们的模型能够以概率方式处理噪声显着性图，具有可比拟的性能和优于所有非监督显着性方法的显着性检测效果。

Mar, 2018

本文提出了一种新的损失函数FLoss，可以用来训练CNN网络，同时在评估时使用F-Measure，能够使网络产生极性激活，从而获得高质量的显著性图。实验结果表明，相比于传统的交叉熵损失函数，本文的方法在几个流行数据集上均取得了更好的性能表现。

May, 2018

本文提出了一种基于区域的新型归因方法XRAI，介绍了评估方法PICs，并且通过实验展示在常见模型和ImageNet数据集上，XRAI比其他显著性方法产生更好的结果。

Jun, 2019

本文批判性地分析了Petsiuk等人提出的Deletion Area Under Curve (DAUC)和Insertion Area Under Curve (IAUC)度量方法，在评估深度学习模型的可解释性方法的时候，这些方法忽略了显著性分数的实际值，并且可能会导致模型表现不可靠。为此，提出了新的量化解释方法的基于稀疏性和校准性的度量方法，并讨论了如何在用户研究中评估这些方法。

Jan, 2022

我们提出了一套利用视觉先验来有效评估显著性方法在图像分类任务中性能的度量标准。通过我们的度量标准，我们发现，虽然人们认为显著性方法与架构无关，但大多数方法更能解释基于变形器的模型而不是基于卷积的模型。此外，我们发现GradCAM在COSE方面优于其他方法，但在细粒度数据集方面存在不足。一致性和敏感性之间的二元性允许从不同的角度分析显著性方法。最终，我们发现平衡这两个度量标准对于显示模型行为是重要的。

Sep, 2023