这篇文章提出了一种基于深度学习的无监督显著物体检测方法，其中使用 CSD 策略来为容易和困难的样本打分，并使用 BTM 策略来细化嘈杂标签的边界。实验结果表明该方法达到了最先进的成果。

Jul, 2022

通过对 Saliency methods 在各种目标检测模型中的应用，以及 Guided Backpropagation、Integrated Gradients，以及它们的 Smoothgrad 版本等 saliency 方法的新定性标准的定义，发现 EfficientDet-D0 是最直观的方法，独立于 saliency 方法，通过测试无障碍解释模型。

Jun, 2023

通过减少来自卷积下采样的噪声，我们探讨了解释深度学习模型如何检测扫描的组织标本中的肿瘤的方法，这些方法使得梯度基于隐藏层计算的显著性图更具解释性。我们在 ImageNet1K 上训练的不同模型以及在 Camelyon16 和实际数字病理学染色组织样本的肿瘤检测训练模型上测试了我们的方法。结果表明，梯度中的棋盘噪声得到了减少，从而产生更平滑且更易于解释的显著性图。

Apr, 2024

本文介绍了一种基于渐变的灵敏度图可视化方法 SmoothGrad 以及其优化技术，旨在更好地理解深度网络的决策过程。

Jun, 2017

提出一种用于通用无监督显著目标检测任务的统一框架，其中包括渐进式课程学习的显著性提取机制、自我矫正的伪标签优化机制和适配器调整方法，实现了在目标任务上取得更好的迁移性能。

Apr, 2024

提出 D-RISE 方法，生成针对目标检测器预测的视觉解释。D-RISE 可以被视为黑盒测试，不需要了解模型的内部工作原理，可以轻松应用于不同的目标检测器类型，并通过对生成的视觉解释进行详细分析，突出了上下文的利用和目标检测器学习的可能偏见。

Jun, 2020

本研究提出了一种简单而有效的深度学习自引导损失函数来促进图像中显著目标检测，该新型损失函数通过模拟形态学闭合操作来引导模型越来越全面地检测显著对象，同时帮助揭示稀疏像素的空间依赖性。另外，通过新增特征聚合模块和分支注意机制，我们的方法利用适应性特征聚合和分支注意机制来增强显著对象的检测表现，实现了与现有标准框架完全不同的表现优势。

Jan, 2021

本研究提出了一种基于显著性的目标检测算法（SalienDet），用于检测未出现在训练样本集中的目标。该算法利用基于显著性的算法增强图像特征，生成目标提案，并设计了一个数据集标记方法以区分未知目标和所有目标，实现开放世界检测。在 KITTI，NuScenes 和 BDD 数据集上评估 SalienDet 的结果表明，它优于现有的未知目标检测算法。此外，SalienDet 可以轻松地适应开放世界检测任务的增量学习。

May, 2023

本文提出一种名为 ODAM 的可视化解释技术，通过利用检测器目标流入的梯度产生热图，展示每个预测属性对检测器决策的影响，提高了模型的解释能力并进行了相应的实验证明。同时进一步提出了训练方案 Odam-Train 和 Odam-NMS，通过对模型预测信息和解释进行处理，可以提高模型在重复检测物体时的表现。

Apr, 2023

本文提出了一种基于概率框架的优化方法来解决显著性目标检测的问题，同时还与图割、扩散映射和一类分类方法相结合，实现了对局部 / 全局对比度和大面积显著性线索的全局最优近似，该方法在包括大约 17k 张图像等多个评价指标的显著目标检测数据集上的表现优于现有算法，计算复杂度与许多现有技术相当 / 有利。

Sep, 2016