- 弱监督显著实例检测
本文提出了第一种基于弱监督学习的显著性实例检测方法，利用分类和子计数信息分别作为两个分支，通过融合三个分支的信息来产生显著性实例地图。实验证明该方法相比于基于相关任务的基线方法表现良好。
- CVPR重访显著性评价指标：最远邻下面积曲线
本论文基于对 AUC 属性的重新思考，提出了基于远邻采样的 Farthest-Neighbor AUC（FN-AUC）测量标准以及一种测量采样质量的策略，进而解决空间偏差和输出量化不存在度数时带来的问题，并提供了一种用于克服极少数值度（输出 - MM显著性检测方法的通用框架
本研究提出了一个涵盖五个主要步骤的显著性模型框架，包括预处理，特征提取，显著图生成，显著图组合和后处理，并研究了不同水平的显著性模型，比较其性能，有助于研究人员全面了解研究新方法。
- ICCV显著性检测和弱监督语义分割的联合学习
文章提出通过统一的多任务学习框架，使用单个网络解决 WSSS 和 SD 任务，该框架由一个分割网络和一个显著性聚合模块组成，在图像级别和类别无关像素级显著性标签下，端到端训练并在 PASCAL VOC 2012 数据集和四个显著性基准数据集 - ICCV使用伪标签的半监督视频显著目标检测
本论文提出了一种基于半监督学习的视频显著性目标检测方法，使用伪标签从稀疏注释帧中生成像素级伪标签，并结合部分手动注释，学习了空间和时间线索，进而产生准确的显著性图。实验结果表明，我们的方法在 VOS、DAVIS 和 FBMS 三个公共基准测 - 基于深度卷积网络的光场显著性检测
本研究提出了一种新的基于 CNN 的光场显著性检测框架，提出了三个新颖的 MAC（模型角度改变）块来处理光场微透镜图像，同时还建立了一个大规模的数据集和标准，可以用来训练更深的神经网络和进行评测，实验证明，我们的方法在该数据集上明显优于现有 - CVPR基于多源弱监督的显著性检测
利用分类标签、字幕和未标记数据等不同类型的监督实现显著性检测模型的训练，通过 CNet 和 PNet 生成像素级伪标签进行训练，使用注意力传输损失和注意力一致性损失，使弱监督训练的模型性能得到提升，实验表明我们的方法与许多监督方法相比具有较 - CVPR金字塔特征注意力网络用于显著性检测
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 - PiCANet：基于像素级上下文注意力学习的精确显著性检测
本文提出了一个名为 PiCANet 的新型像素级上下文关注网络，通过对上下文区域的关注权重进行学习，选择性地融合有用的上下文特征，最终应用于显著性检测、语义分割和物体检测等领域，相对于其他同类方法性能有显著的提升。
- MM使用深度非局部神经网络进行视频显著对象检测
本文研究了用于视频显著对象检测的最近引入的非局部神经网络方法，并应用于 static 和 dynamic 显著性检测，提出了一种新的深度非局部神经网络架构，测试了 DAVIS 和 FBMS 两个著名数据集，实验结果表明该算法优于最先进的视频 - CVPR深度无监督显著性检测：多噪声标注视角
通过学习通过由 “弱” 和 “噪声” 的非监督型手工精炼显着性方法生成的多个噪声标签，我们提出了一种新的非监督型显着性检测模型，该模型包括一个隐式显着性预测模块和一个噪声建模模块，二者协作学习，并共同优化以使我们的模型能够以概率方式处理噪声 - PDNet: 以先验模型为指导的深度增强网络用于显著目标检测
该论文提出了一种新的架构 PDNet，它是一个鲁棒的先验模型指导的深度增强网络，用于 RGB-D 显着对象检测，在五个基准数据集上的大量评估表明，我们的提出的方法表现优异，胜过了现有的最先进方法。
- 深度多尺度时空判别性显著图的非刚性物体跟踪
提出了一种基于时空一致的显著性检测的新型有效的非刚性物体跟踪框架，其中利用了定制的完全卷积神经网络 (TFCN) 来建模该图像区域的本地显著性先验，同时提出了多尺度多区域机制来生成本地显著性地图，最后，利用预测的显著性地图，提出了一个非刚性 - 基于深度置信度分析和多线索融合的立体图像显著性检测
本研究提出了一种新的立体图像显著性检测方法，该方法通过对深度图进行可靠性测量和深度信息引入图形构建，提出了一种新的基于颜色和深度线索的紧凑性定义来计算紧凑性显著性图，并通过基于深度精化的前景种子选择机制和多个线索对比计算前景显著性图，最后通 - PiCANet：学习像素级的背景上下文注意力进行显著性检测
本文提出了一种像素级的上下文注意力网络 ——PiCANet，旨在学习选择性地注意每个像素的信息上下文位置，通过全局和局部形式，构建所关注的上下文特征，与 U-Net 结构相结合，可以准确且均匀地检测显著对象，在显著性检测性能方面表现优异。
- ICCV学习不确定卷积特征以实现准确的显著性检测
提出一种新型的基于不确定卷积特征（UCF）的卷积神经网络模型，可用于精确的显著目标检测，并引入一种有效的混合上采样方法以减少解码器网络中反卷积操作的棋盘格伪影。该模型在像素级别视觉任务上表现出色。
- 基于层次化的元胞自动机实现视觉显著性检测
本文提出了一种基于分层细胞自动机的图像显著性检测算法，利用深度特征和贝叶斯框架，集成不同尺度上的单层元胞自动机算法，取得了比传统方法更好的实验效果
- 黑盒分类器的实时图像显著性
本文介绍了一种快速的显著性检测方法，可以应用于任何可微分的图像分类器，其通过训练掩膜模型来操纵分类器的分数，从而检测图像的显著部分，并在 CIFAR-10 和 ImageNet 数据集上进行了测试，表明其结果优于其他弱监督方法。
- IJCAI基于自适应课程学习的弱监督目标检测中的显著性检测
本文提出一种利用自我学习课程计划的方法，通过显著性检测将其应用于弱监督目标检测 (WOD) 任务中，从而逐渐实现对于从易到难的多类物品的忠实知识，并取得了最先进的弱监督物体检测结果。
- 自动图像剪裁算法的定量分析：数据集和比较研究
本研究通过对传统方法和基于排名的图像剪裁器的研究，讨论了基于学习排名算法处理自动图像剪裁问题。此外，作者还提出了一个新数据集，以评估各种基线算法的表现。实验结果为设计更好的自动剪裁算法提供了有价值的见解。