本文提出了一种生物启发的凹视检测器（FOD）作为在计算机视觉目标检测中搜索的主要方法中滑动窗口 (SW) 方法的替代方案。这种方法通过结合现代计算机视觉中的目标检测器和人类视觉系统的 V1 层中发现的外围汇集区域的最近模型，实现了显着的计算成本节省。

Aug, 2014

DeepFix 是一种全新的卷积神经网络，可用于准确地预测显著性图，并集成了多尺度语义和全局上下文，并通过引入 Location Biased 卷积层来解决空间不变性问题，其表现优越。

Oct, 2015

基于注意力机制的深度神经网络在物体检测任务中的应用

Feb, 2017

通过深度学习网络结构，我们的视觉注意力网络从全局到本地不同范围内的多尺度特征中提取等级显著信息以预测人眼的视觉注视点，并在各种基准数据集上实现了最先进的性能表现。

May, 2017

本文提出了一种基于 FFMs 的数据驱动计算模型，用于解决人类搜索终止问题以及预测在图像中搜索不存在目标时人们的扫描路径，通过将 FFMs 集成为状态表示在逆强化学习中将其作为方法，实验结果在 COCO-Search18 数据集上提高了目标缺失搜索行为的预测水平。

Jul, 2022

本文介绍了一种使用视锥传感器主动关注视觉场景的方法，并提出了一种端到端可区分的视锥主动视觉架构，该架构利用图卷积网络处理视锥图像，并提供一种简单而有效的视锥图像采样形式。我们的模型通过学习迭代地关注与分类相关的图像区域。我们在多个图像数据集上进行了详细实验，比较了我们的方法与先前的视锥视觉方法的性能，同时还测量了不同选择（如视锥程度和网络执行的固定点数）对目标识别性能的影响。我们发现，我们的模型在具有可比参数和给定像素或计算预算的最先进 CNN 和视锥视觉架构上表现更好。

Dec, 2023

提出了一种基于注意力的模型，利用注视数据进行同时进行目标跟踪和识别。模型有两个相互作用的通路：身份和控制，分别模拟神经元科学模型中的「what 和 where」通路，其中前者使用深度（分解）受限玻尔兹曼机模拟对象外观并执行分类，而后者模拟关注对象的位置、方向、大小和速度，并估计状态的后验分布。

Sep, 2011

本文介绍一种新颖的方法，通过重复使用深度神经网络的预训练模型，构建一种针对显著性预测的模型，从而有效地提高了预测准确性，并展示此网络结构可以为视觉注意机制的理解提供新的见解。

Nov, 2014

通过使用语义信息，可以在场景探索和视觉搜索任务中有效地完成视觉任务，从而证明了语义模型在视觉任务中的优越性。

Apr, 2024

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