摘要：显著对象检测旨在准确检测和定位图像或视频中最吸引人的对象或区域，从而促进更好的对象识别和场景分析。尽管完全监督的显著性检测方法是有效的，但获取大像素级注释数据集具有挑战性且成本高昂。弱监督检测方法利用相对容易获得的图像级标签或有噪声的弱标签来训练模型，在实际应用中表现出良好的性能。本文综合比较了全监督和弱监督显著性检测方法的主流方法和应用场景，分析了使用弱标记的数据标注方法及其对显著性对象检测的影响。综述了弱监督条件下显著目标检测的最新研究进展，并在多个公共数据集上比较了各种弱监督方法的性能。最后，讨论了弱监督显著性检测方法在农业、医学和军事等特殊领域的潜在应用，强调了该研究领域存在的挑战和未来的发展趋势。

关键词： 显著目标检测， 全面监督学习， 机器学习

摘要：显著性目标检测旨在准确检测和定位图像或视频中最引人注目的目标或区域，为更好地进行目标识别和场景分析提供帮助。尽管全监督显著性检测方法取得一定成效，但获取大规模像素级标注数据集十分困难且昂贵。弱监督检测方法利用相对容易获取的图像级标签或带噪声的弱标签训练模型，在实际应用中表现出良好效果。全面对比了全监督和弱监督显著性检测的主流方法和应用场景，重点分析了常用的弱标签数据标注方法及其对显著目标检测的影响。综述了弱监督条件下显著目标检测方法的最新研究进展，并在常用数据集上对不同弱监督方法的性能进行了比较。最后探讨了弱监督显著性检测在农业、医学和军事等特殊领域的应用前景，指出了该研究领域存在的问题及未来发展趋势。

关键词: 显著性目标检测, 全监督学习, 弱监督学习