对区域的边界和物体边缘像素使用聚焦操作来计算区域显著特征，采用全局颜色显著性计算全局显著特征，基于卷积神经网络(CNN)融合区域显著特征和全局显著特征，获得最终的显著图，同时采用循环结构网络，多次参考周围环境信息，剔除噪声特点。在MSRA图像库和ECSSD图像库中测试所提算法，其平均精度和平均召回的调和平均值、平均误差均优于当前流行算法。

显著性检测 FT算法 可运行代码 matlab代码 代码简单

光谱残差SR模型 显著性检测 matlab代码 可直接运行

运行demo.m以了解如何使用 Saliency Optimization [1]以及Saliency Filter [2]，Geodesic Saliency [3] Manifold Ranking [4]。 [1] Wangjiang Zhu, Shuang Liang, Yichen Wei, and Jian Sun. Saliency Optimization from Robust Background Detection. In CVPR, 2014. [2] F. Perazzi, P. Krahenbuhl, Y. Pritch, and A. Hornung. Saliency filters: Contrast based filtering for salient region detection. % In CVPR, 2012. [3] Y.Wei, F.Wen,W. Zhu, and J. Sun. Geodesic saliency using background priors. In ECCV, 2012. [4] C. Yang, L. Zhang, H. Lu, X. Ruan, and M.-H. Yang. Saliency detection via graph-based manifold ranking. In CVPR, 2013.

目前来说，显著性检测用MSRA1000基本足够，用于检测单目标算法的准确率和召回率，之后有扩充的MSRA10K，该数据集已公开。

海面舰船目标的检测与识别对于海面监测与目标打击具有重要意义, 弱小舰船目标由于缺少纹理信息且易受到海面阴影、噪声等因素的影响, 使得目前常用的检测方法效果较差。基于通道分离与负值扩展对比敏感函数提出了的海面弱小舰船目标检测方法。该方法首先构建像素强度通道与噪声-边缘通道的多分辨图像尺度金字塔; 之后, 构建不同尺度空间下的负值扩展对比敏感度函数, 调制对应各位置的权重; 最后, 利用各空间尺度系数加权获得两通道视觉显著性图像, 通过通道差分处理实现了含噪图像中弱小舰船目标的快速检测。实验结果表明：与其他5种算法相比较, 提出的方法具有较高的检测准确率（97.30%）、召回率（84.71%）及综合评价指标（94.49%）, 同时具备较强的抗噪声能力, 适用于含噪海面光学遥感图像中弱小舰船的检测。

FT显著性检测算法，批量处理图像。提供需要进行显著性检测的图像文件夹地址，和处理后图片的存储地址，即可自动将文件夹下的数据处理完。

显著性检测是计算机视觉的一个重要分支，而在深度学习的训练阶段、显著性检测算法的评价阶段等都需要大量有标注信息的数据集。常用的显著性检测数据集DUT-OMRON (5166)和他们的GT图

cvpr2014WangjiangZhu显著性论文及源码

显著性目标检测算法