本文提出了一种共同显著目标检测方法，利用深度显著性网络进行共同显著性先验知识的转移，通过种子传播步骤优化初步的共同显著性图，使用多层图在低级描述符中传播种子以找到之前步骤可能未检测到的区域，并可处理大小不一致的输入图像组。

Jun, 2017

本文提出了一种称为多级特征金字塔网络（MLFPN）的方法，通过融合多级特征从而构建更有效的特征金字塔用于检测不同尺度的对象，并且将MLFPN集成到SSD中构建了名为M2Det的一阶段强大的端到端对象检测器，在MS-COCO基准测试中以单尺度推理策略实现了AP 41.0，以多尺度推理策略实现了AP 44.2，这是一阶段检测器中的新的最佳结果。

Nov, 2018

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

该研究提出了一种基于注意力机制和去噪的卷积神经网络方法，在多个数据集上实现了对显著目标的高精度检测，并实现了超过 27FPS 的实时处理速度。

Dec, 2019

该研究提出了一种基于GateNet和Fold-ASPP的神经网络结构，能够通过多层门单元实现更好的编解码器信息交流控制，并在五个数据集上表现优异，用于显著目标检测。

Jul, 2020

本研究提出了“aggregate interaction modules”和“self-interaction modules”等方法来处理深度学习中显著目标检测中存在的变量规模和未知类别等挑战，同时，使用“consistency-enhanced loss”方法来处理由于尺度变化导致的类别失衡问题，从而提升对前/背景差异的识别和类内一致性的维持。实验结果在五个基准数据集上表明，该方法无需后处理即可比23种最先进的方法表现优异。

Jul, 2020

本文提出了一种名为Pyramid Grafting Network的单阶段框架，使用转换器和CNN骨干从不同分辨率图像中独立提取特征，然后将转换器分支的特征嫁接到CNN分支上，并提出了一种基于注意力的跨模型嫁接模块及一种名为Attention Guided Loss的技术，采用新的高分辨率图像UHRSD数据集验证了其优异性能。

Apr, 2022

提出了用于显著性目标检测的多层次、混合和多阶段注意力网络（M$^3$Net），包括多尺度交互块和混合注意力块，并引入多层次监督策略进行聚合特征的优化。在六个具有挑战性的数据集上的实验证明，所提出的M$^3$Net在四个指标上优于最近的CNN和基于Transformer的显著性目标检测方法。

Sep, 2023

提出了一个新的显著目标检测（SOD）模型—SODAWideNet，它采用从头开始训练的神经网络，通过扩张卷积和自注意力机制等技术实现浅层网络，取得了与最先进模型相媲美的性能。

Nov, 2023

本研究解决了高分辨率显著物体检测（HRSOD）数据集不足的问题，提出了一个大规模的数据集UHRSD，包含5920张高分辨率实景图像。同时，提出了一种新颖的金字塔嫁接机制框架，以更好地平衡采样深度和感受野大小。实验结果表明，该方法能够有效定位显著物体并保留丰富细节，超越了现有的最先进方法。

Aug, 2024