本文提出了一种基于全卷积神经网络（FCN）的端到端的分组式深度连通区域共同显著性检测方法，通过学习卷积神经网络中基于语义感知的图像表示来捕捉组图像的组间交互信息，进而发现组间特征表示和单图像特征表示之间的协作和交互关系，并将其模拟在协作学习框架中，最终建立起一个统一的端到端深度学习方案，联合优化分组式特征表示学习和协同学习的过程，从而获得更可靠、更强韧的共同显著性检测结果。实验结果表明，我们的方法相较于现有的技术取得了更好的效果。

Jul, 2017

提出了一种新的 GCAGC 方法用于共同显著性检测的任务，通过图卷积网络和注意力图聚类来确定共同的复杂前景对象，采用编码器 - 解码器结构来统一地训练和优化，最终的实验结果表明，在三个共同显著性检测基准数据集上，GCAGC 方法在大多数方面都取得了显著改进。

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

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

通过提出金字塔特征注意力网络来解决视觉注意力检测中如何提取有效特征的问题，该网络能够关注高层次的上下文特征和低层次的空间结构特征，并在这些特征图上应用通道注意和空间注意，然后将它们进行融合，最后通过边缘保护损失来引导网络学习边界定位中更详细的信息。在五个基准数据集上进行的广泛评估表明，该方法在不同的评估指标下优于现有的基准方法。

Mar, 2019

提出一种新型的基于不确定卷积特征（UCF）的卷积神经网络模型，可用于精确的显著目标检测，并引入一种有效的混合上采样方法以减少解码器网络中反卷积操作的棋盘格伪影。该模型在像素级别视觉任务上表现出色。

Aug, 2017

本文提出了一种新颖的共识感知动态卷积模型，可以显式高效地执行 “汇总和搜索” 过程，从而有效地执行共识图像特征的汇总，并通过多个尺度上的动态卷积进行对象搜索，实验结果表明了所提出方法的有效性。

Oct, 2021

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

提出了一种名为 COSNet 的新型网络，用于表示全局视角下的无监督视频对象分割任务，其中利用全局注意机制结合视频帧之间的相关性，训练效果超越当前的深度学习方法。

Jan, 2020