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

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

本研究提出一种新的团体协作学习框架，名为 GCoNet，可以实时（16ms）检测协同显著对象，同时采用两个必要标准，即群体内紧凑性和群体间可分性来挖掘共识表征；此外，为了学习更好的嵌入空间，我们明确地采用辅助分类监督。实验证明，我们的 GCoNet 模型在多个重要的计算机视觉应用中表现出色。

Mar, 2021

该研究提出了一种新颖的记忆辅助对比共识学习框架 (MCCL)，该框架通过利用注意力机制查找共同的对象来有效地检测共同显著对象，同时提高了预测地图的质量和完整性。

Feb, 2023

本文介绍了一种协作聚合和分布网络 (CoADNet) 架构，通过建模和利用图像之间的相互关系来捕获来自多个图像的突出和重复视觉模式，以解决 Co-Salient Object Detection (CoSOD) 任务中的一些挑战性问题，同时 CoADNet 在四个 CoSOD 基准数据集上得到了显着的性能提升。

Nov, 2020

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

本论文综述不同类型的显着性检测算法，并总结现有方法的重要问题，分析了存在的问题和未来的工作。此外，简要介绍了评估数据集和定量测量，并进行了实验分析和讨论，以提供不同显著性检测方法的整体概述。

Mar, 2018

本文以民主原型生成模块为基础，采用自对比学习模块进行降噪，配合民主特征增强模块，生成包含充足的协同突出区域响应的完整原型，从而提升协同突出物体检测性能，在 CoCA 等真实场景下优于现有最佳方法。

Mar, 2022