本文研究了显著对象排名任务 (SOR)，提出了第一个端到端的 SOR 框架，并采用多任务学习的方式来解决它。该框架同时处理实例分割和显著性对象排名，而且 SOR 分支与不同检测方法相互独立而灵活，易于使用。我们还引入了一个面向 SOR 分支的位置保留注意力 (PPA) 模块，通过在 ROI pooling 运算中保留对象的绝对坐标，将位置信息融合到语义特征中，采用注意力机制来获得提议的上下文化表示，以预测它们的相对排序，实验表明该方法明显优于之前最先进的方法。

Jun, 2021

本文提出了一种新颖的统一模型来同时分割显著实例并推断它们的相对显著性顺序，该模型首次使用改进的 Mask R-CNN 进行显著实例分割，然后添加显著性排名分支来推断相对显著性。对于相对显著性排名，我们构建了一个新的图形推理模块，通过将四个图形结合起来以分别引入实例间相互关系、局部对比度、全局对比度和高层语义先验。该文的实验结果表明，我们提出的模型比以前的方法更加有效。

Jul, 2021

本文提出了一种新的显著性排序范式，旨在通过 “重要性顺序” 对显著对象进行完全排序，分析了现有的显著性排序方法存在的问题，并从 “GT 数据生成”、“网络结构设计” 和 “训练协议” 等角度提出了整体处理范式。通过广泛的实验证明，该方法在广泛使用的 SALICON 数据集上优于现有的最先进方法。

Dec, 2023

本文提出了一种基于深度学习和分层表示的相对显著性检测方法，解决了在多个观察者查询时显著对象定义模糊的问题，同时还能够用于解决显著性目标子计数问题，并在所有指标上的性能优于先前的任何工作。

Mar, 2018

本文提出了一种基于语义分割的新方法 SpaCoNet，旨在同时模拟对象的空间关系和共现情况，进而在室内场景识别任务中生成语义引导的特征表示，该方法具有良好的通用性和效果。

May, 2023

研究对象检测中上下文限制效果有限的原因，提出了一种基于区域的上下文重新评分方法，该方法采用动态上下文选择来消除噪声并强调信息上下文，实验表明该方法在性能评估方面显著优于外观检测器和传统上下文模型。

Sep, 2016

本文提出了一种在现实和合成数据集中具有显著改进的物体分割方法，称为对象中心视觉，它在现有模型中引入了空间局部性先验，并模拟了人类视觉注意力的功能。

May, 2023

本文提出了将语义先验嵌入显式和隐式显著性图中的算法，以形成像素精度显著性图。在 ECSSD 和 HKUIS 两个具有挑战性的数据集上进行的广泛实验表明，本方法优于其他最新方法。

May, 2017

研究自然场景中人们的注意力转移，在低层图像显著性和高层语义信息等方面提出了两个看似相互矛盾的提示，其中分析了物体中心偏置的影响，并提出了一种结合低层视觉显著性和物体中心偏置的模型，旨在深入了解人类在观察场景和对象时使用的策略，并展示结合低层视觉显著性和高层物体信息的模型的构建。

Mar, 2015

本文旨在解决如何有效地融合 RGB-D 信息来进行显著目标检测的关键问题。通过提出一个新的互惠关注模型来融合来自不同模态的注意力和上下文信息，实现高阶和三线性交叉信息互补，从而提高 RGB-D SOD 的模型性能。同时，通过添加选择性关注来重新加权深度相关信息，提高模型的鲁棒性。在两个数据集上的实验验证了该模型的有效性。

Oct, 2020