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

我们提出了一种名为 Saliency Fusion Attention U-Net (SalFAU-Net) 的模型，它在每个注意力 U-net 模型的解码器块中合并了一个显著性融合模块，从而可以准确地检测具有多个对象、小物体或低分辨率对象的具有挑战性场景的显著对象。我们通过使用二值交叉熵损失函数在 DUTS 数据集上训练 SalFAU-Net，并在六个流行的 SOD 评估数据集上进行实验以评估所提方法的有效性。实验结果表明，我们的方法在平均绝对误差（MAE）、F - 值、s - 值和 e - 值方面与其他方法相比具有竞争性的性能。

May, 2024

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

研究如何扩展卷积神经网络中的池化作用来解决显著性目标检测问题，首先在 U 形架构下构建全局引导模块，然后使用特征聚合模块使粗略层次的语义信息与来自自上而下路径的细节信息很好地融合，最终能够更准确地定位显著对象并具有更高的运行速度。

Apr, 2019

本文提出了一种名为 IPG-Net 的新型网络，旨在解决 CNN 目标检测中浅层保留空间信息但缺乏语义信息、深层具有高语义概念但丢失了很多空间信息的信息不平衡问题。IPG-Net 引入了图像金字塔引导来解决这个问题，并在两种检测模型上得到了最新的结果。

Dec, 2019

该论文提出了一种基于卷积神经网络的方法，通过提取多尺度的高级视觉特征和上下文信息，结合全局场景信息，用于准确预测视觉显著性，可以适用于资源受限的应用，如（虚拟）机器人系统，从而在多个基准测试数据集上取得了有竞争力和一致的结果。

Feb, 2019

本文提出 F3Net 算法，通过交叉特征模块和级联反馈解码器，结合像素位置感知损失函数，实现高效的显著目标检测，能够在各项指标上优于现有算法。

Nov, 2019

该论文提出了一种新的架构 PDNet，它是一个鲁棒的先验模型指导的深度增强网络，用于 RGB-D 显着对象检测，在五个基准数据集上的大量评估表明，我们的提出的方法表现优异，胜过了现有的最先进方法。

Mar, 2018

本文提出了一种名为 DPANet 的新型网络，通过引入深度潜力感知，有效地整合交叉模态互补性并解决 RGB-D 显着目标检测中的污染效应问题，并利用带门控调节器的门控多模式注意力模块从交叉模态的角度捕获长距离依赖关系，并在 8 个数据集上与 15 种当前最先进的方法进行实验室实验来验证所提方法的有效性。

Mar, 2020