显著性目标检测经典论文 什么是显著性检测？
什么是显著性检测？
显著性检测是很多计算机处理的预处理，有限的计算机资源来处理数以亿计的图片，不仅耗资巨大，而且往往时间复杂度高。 那么如果说将这些资源集中在图片的显著性区域，就往往可以取得更好的成果，最直接的就是可以摒弃掉一些背景信息，使得“重要部分”能够凸显出来。
基于深度学习的显著性目标检测方法有哪些？
基于深度学习的显著性目标检测方法又可以分为两类，第一类模型使用多层感知机（MLPs）来进行显著性目标检测，第二类模型则使用完全卷积神经网络（FCN）来进行显著性目标检测。 在第一类模型中，输入图像通常被过度成单个或多尺度的小区域，然后将CNN用于提取图像中的高级特征，该高级特征随后被反馈回MLP以确定每个小区域的显着性值。 与完全卷积神经网络方法不同的是，第一类模型虽然使用CNN提取高级特征，但由于MLP的使用，CNN所提取的特征中的空间信息并不能被保留。 而第二类基于完全卷积神经网络（FCN-based）的模型则首先在 [9]中被开创性地提出，被用于解决语义分割问题。 由于显着对象检测本质上是一种分割任务，因此许多研究人员采用基于FCN的体系结构，因为它们具有保存空间信息的能力。
基于CNN的显著性目标检测方法有哪些？
由于这些优越性，基于CNN的显著性目标检测方法在几乎所有现有数据集上刷新历史记录，成为显著性目标检测中的主流方法。. 基于深度学习的显著性目标检测方法又可以分为两类，第一类模型使用多层感知机（MLPs）来进行显著性目标检测，第二类模型则使用完全卷积神经网络（FCN）来进行显著性目标检测。. 在第一类模型中，输入图像通常被过度成单个或多尺度的小区域，然后将CNN用于提取图像中的高级特征，该高级特征随后被反馈回MLP以确定每个小区域的显着性值。. 与完全卷积神经网络方法不同的是，第一类模型虽然使用CNN提取高级特征，但由于MLP的使用，CNN所提取的特征中的空间信息并不能被保留。.