{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,2,18]]，“日期-时间”：“2024-02-18T23:51:44Z”，“时间戳”：1708300304489}，“参考-计数”：76，“出版商”：“Springer Science and Business Media LLC”，“问题”：“9”，“许可证”：[{“开始”:{“日期-零件”：[2019,12,9]]，”日期-时间“：“2019-12-09T00:00:00Z”，“timestamp”：1575849600000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“http://www.springer.com/tdm”}，{“start”：{“date-parts”：[[2019,12,9]]，“date-time”：“2019-12-09T00:00:00Z”，“timetamp”：151584960000}，.com/tdm“}]，“出资人”：[{“DOI”：“10.13039\/501100004826”，“名称”：“北京市自然科学基金会”，“doi-asserted-by”：“publisher”，“award”：[“4182022”]}，{“doi”：“10.13039\/501100001809”，“name”：“国家自然科学基金”，“doi-asserted-by”:“publishers”，“adward”：[”61871038“，”6187139“]}]，“content-domain”：{“domain”:[”link.springer.com“]，“crossmark-restriction”：false}，“short-container-title”：[“Vis Compute”]，“published-print”：{“date-parts”：[[2020,9]]}，“DOI”：“10.1007\/s00371-019-01781-9”，“type”：“journal-article”，“created”：{-“date-parts”：[2019,12,9]]，“date-time”：“2019-12-09T16:03:12Z”，“timestamp”：1575907392000}，”page：“1883-1895”，“update-policy”：”http://\/dx.DOI.org \/10.1007\/springer_crossmark_policy“，”源“：“Crossref”，“is-referenced-by-count”：3，“title”：[“用于显著性检测的新型深度网络和聚合模型”]，“prefix”：“10.1007”，”volume“：“36”，“author”：[{“ORCID”：“http://\/ORCID.org\/00000-0002-1715-4538”，“authenticated-ORCID”：false，“give”：“Ye”，，“序列”：“additional”，“affiliation”：[]}，{“given”：“Nan”，“family”：“Ma”，“sequence”：“additive”，“abfiliation“：[]2]，“member”：“297”，“published-on-line”：{“date-parts”：[[2019,12,9]}、“reference”：[{“key”：：“Yang，C.，Pu，J.，Dong，Y.，Xie，G.-S.，Si，Y..，Liu，Z.：通过模块化处方进行面向场景分类的显著性检测。视觉计算35，1\u201316（2018）”，“日志标题”：“视觉计算”}，{“键”：“1781_CR2”，“首页”：“1”，“卷”：“35”，“作者”：“X周”，“年份”：“2018”，“非结构化”：“Zhou，X.，Wang，Y.，Zhu，Q.，Xiao，C.，Lu，X.：Ssg:超像素分割和基于grabcut的显著对象分割。Vis.Compute.35，1\u201314（2018）”，“journal-title”：“Vis.Computer.”}，{“issue”：“11”，“key”：“1781_CR3”，“doi-asserted-by”：“crossref”，“first-pages”：“2314”，“doi”：“10.1109\/TPAMI.2016.2636150”，“volume”：《39》，“author”：“Y Wei”，“年份”：“2016年”，“非结构化”：“Wei，Y.，Liang，X.，Chen，Y.、Shen，X.、Cheng，M.-M.、Feng，J.、Zhao，Y.和Yan，S.：Stc：弱监督语义切分的简单到复杂框架。IEEE Trans.Pattern Anal.Mach.Intern.39（11），2314\u20132320（2016）”，“期刊标题”：“IEEE Trans.Pattern Anal.Mach-Intell.”}，{“关键”：“1781_CR4”，“doi-asserted-by”：“crossref”，“unstructured”：“Guo，J.，Ren，T.，Huang，L.，Liu，X.，Cheng，M.-M.，Wu，G.：通过跨帧细胞自动机检测视频显著对象。收录于：2017 IEEE多媒体与博览会国际会议（ICME），第325\u2013330页。IEEE（2017）“，“DOI”：“10.1109\/IME.2017.8019389”}，{“key”：“1781_CR5”，“DOI-asserted-by”：“crossref”，“unstructured”：“Cheng，M.-M.，Zhang，F.-L.，Mitra，N.J.，Huang，X.，Hu，S.-M.：Repfinder：查找用于图像编辑的近似重复场景元素。In:ACM Transactions on Graphics（TOG），vol.\u00a029，no.4，p.83。ACM（2010）”，“DOI”：“10.1145\/1778765.1778820”}，{“issue”：“1”，“key”：“1781_CR6”，“DOI asserted by”：“crossref”，“first page”：“110”，“DOI”：“10.1007\/111390-07-1681-7”，“volume”：“32”，“author”：“M-M Cheng”，“year”：“2017”，“nonstructured”：“Cheng，M.-M.，Hou，Q.-B.，Zhang，S.-H.，Rosin，P.L.：智能视觉媒体处理：当图形与视觉相遇时。J。计算。科学。Technol公司。32（1），110\u2013121（2017）“，“新闻标题”：《计算杂志》。科学。Technol公司。“}，{”key“：”1781_CR7“，”doi-asserted-by“：”crossref“，”unstructured“：”Goferman，S.，Zelnik-Manor，L.，Tal，A.：上下文软件显著性检测。摘自：IEEE计算机视觉和模式识别会议论文集，pp.2376\u20132383（2010）“，”doi“：”10.1109\/CVPR.2010.5539929“}”，{“issue”：“2”，“key”：“1781_CR 8”，“doi-assert-by”：“crossref.”，“”第一页“：”353“，”DOI“：”10.1109\/TPAMI.2010.70“，”volume“：”33“，”author“：”T Liu“，”year“：”2011“，”unstructured“：”Liu，T.，Yuan，Z.，Sun，J.，Wang，J.、Zheng，N.、Tang，X.、Shum，H.：学习检测显著物体。IEEE传输。模式分析。机器。智力。33（2），353\u2013367（2011）”，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”1781_CR9“，”doi-asserted-by“：”crossref“，”unstructured“：”Cheng，M.，Zhang，G.，Mitra，N.J.，Huang，X.，Hu，S.：基于全局对比度的显著区域检测。In:IEEE计算机视觉与模式识别会议论文集，第409\u2013416页（2011）“，”doi“：”10.1109\/CVPR.2011.5995344“}doi-asserted-by“：”crossref“，”first-page“：”1035“，”doi“：”10.1109\/LSP.2014.2323407“，”volume“：”21“，”author“：”N Tong“，”year“：”2014“，”unstructured“：”Tong，N.，Lu，H.，Zhang，L.，Ruan，X.：多尺度超像素的显著性检测。IEEE信号处理。莱特。21（9），1035\u20131039（2014）“，“期刊标题”：“IEEE信号处理。莱特。“}，{”key“：”1781_CR11“，”doi-asserted-by“：”crossref“，”first-page“：”1“，”doi“：”10.1007\/s00371-018-01620-3“，”volume“：“35”，”author“：”Y-Lu“，”year“：”2019“，”unstructured“：”Lu，Y.，Zhou，K.，Wu，X.，Gong，P.：用于显著对象检测的新型多图框架。Vis.Compute.35，1\u201317（2019）“，”journal-title“：”Vis.Computer.“}，{“问题”：“5”，“密钥”：“1781_CR12“，”doi-asserted-by“：”crossref“，”first page“：”645“，”doi“：”10.1007\/s00371-017-1404-7“，”volume“：“34”，”author“：”B Wang“，”year“：”2018“，”unstructured“：”Wang，B.，Zhang，T.，Wang，X.：基于Laplacian相似性度量的显著对象检测。视觉。计算。34（5），645\u2013658（2018）“，“新闻标题”：“签证。计算。“}，{”issue“：“5”，”key“：“1781_CR13”，”doi-asserted-by“：”crossref“，”first page“：”665“，”doi“：”10.1007\/s00371-016-1216-1“，“volume”：“33”，“author”：“A Kapoor”，“year”：“2017”，“unstructured”：“Kapoor，A.，Biswas，K.，Hanmandlu，M.：一种基于进化学习的模糊理论的显著目标检测方法。Vis.Compute.33（5），665\u2013685（2017））“，”新闻标题“：”签证。计算。“｝，｛”issue“：”11“，”key“：”1781_CR14“，”doi断言“：”crossref“，”first page“：”1403“，”doi“：”10.1007\\s0371-016-1287-z“，”volume“：”33“，”author“：”z Yang“，”year“：”2017“，”nonstructured“：”Yang，z.，Xiong，H.：通过局部约束线性编码和条件随机字段计算基于对象的显著性。Vis.Comput.33（11），1403\u20131413（2017）“，”新闻标题“：”签证。计算。“}，{”issue“：”11“，”key“：”1781_CR15“，”doi-asserted-by“：”crossref“，”first-page“：”1415“，”doi“：”10.1007\/s00371-016-1288-y“，”volume“：“33”“，”author“：”C Yang“，”year“：”2017“，”unstructured“：”Yang，C.，Pu，J.，Dong，Y.，Liu，Z.，Liang，L.，Wang，X.：基于ds证据理论的区域分类在复杂场景中的突出目标检测。视觉。计算。33（11），1415\u20131428（2017）“，“新闻标题”：“签证。计算。“}，{”issue“：“9”，”key“：“1781_CR16”，”doi-asserted-by“：”crossref“，”first page“：”1155“，”doi“：”10.1007\/s00371-016-1278-0“，”volume“：：”33“，”author“：”R Li“，“year”：“2017”，“unstructured”：“Li，R.，Cai，J.，Zhang，H.，Wang，T.：用平滑法聚集互补边界对比度，用于显著区域检测。可见计算33（9），1155\u20131167（2017）”，“”新闻标题“：”签证。计算。“}，{”issue“：”4“，”key“：”1781_CR17“，”doi-asserted-by“：”crossref“，”first-page“：”473“，”doi“：”10.1007\/s00371-017-1354-0“，”volume“：“34”，”author“：”Q Zhang“，”year“：”2018“，”unstructured“：”Zhang，Q.，Lin，J.，Li，W.，Shi，Y.，Cao，G.：通过紧凑性和对象性线索检测显著对象。视觉计算34（4），473\u2013489（2018年）“，”新闻标题“：”视觉。计算。“}，{”key“：”1781_CR18“，”doi-asserted-by“：”crossref“，”unstructured“：”Long，J.，Shelhamer，E.，Darrell，T.：语义分割的完全卷积网络。摘自：《IEEE计算机视觉与模式识别会议论文集》，第3431\u20133440页（2015）“，”doi“：”10.1109\/CVPR.2015.7298965“}”，{“key”：“1781_CR 19”，“unstructure”：“”Krizhevsky，A.，Sutskever，I.，Hinton，G.E.：基于深度卷积神经网络的Imagenet分类。In:Advances In Neural Processing Systems，pp.1106\u20131114（2012）“}，{“key”：“1781_CR20”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，L.，Ouyang，W.，Wang，X.，Lu，H.：使用完全卷积网络进行视觉跟踪。In:Proceedings of IEEE International Conference on Computer Vision，pp.3119\u20133127（2015）”，“doi”：“10.1109\/ICCV.2015.357“}，{“key”：“1781_CR21”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，L.，Ouyang，W.，Wang，X.，Lu，H.：STCT：视觉跟踪的顺序训练卷积网络。摘自：IEEE计算机视觉与模式识别会议论文集，pp.1373 \u20131381（2016）”，“doi”：“10.1109\/CVPR.2016.153”}1781_CR22“，”doi-asserted-by“：”crossref“，”unstructured“：”Wang，L.，Lu，H.Ruan，X.，Yang，M.：通过局部估计和全局搜索进行显著性检测的深层网络。摘自：《IEEE计算机视觉和模式识别会议论文集》，第3183\u20133192页（2015年）“，“DOI”：“10.1109\/CVPR.2015.7298938”}，{“key”：“1781_CR23”，“unstructured”：“Li，G.，Yu，Y.：基于多尺度深层特征的视觉显著性。摘自：IEEE计算机图像和模式识别大会论文集，第5455\u20135463页（2015）”}，{“key”：“1781_CR24”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhao，R.，Ouyang，W.，Li，H.，Wang，X.：多上下文深度学习的显著性检测。摘自：IEEE计算机视觉与模式识别会议论文集，第1265\u20131274（2015）页”，“doi”：“10.1109\/CVPR.2015.7298731”}，{，“非结构化”：“Wang，L.，Wang，L，Lu，H.，Zhang，P.，Ruan，X.：递归全卷积网络的显著性检测。摘自：《欧洲计算机视觉会议论文集》，第825\u2013841（2016）页”，“DOI”：“10.1007\/978-3319-46493-0_50”}，{“key”：“1781_CR26”，“非结构性”：“Zhu，L.，Hu，X.，Fu，C.-W.，Qin，J.，Heng，P.-A.：Saliency-ware纹理平滑。In:IEEE Transactions on Visualization and Computer Graphics（2018）”}，{“key”：“1781_CR27”，“doi-asserted-by”：“crossref”，“unstructured”：“Li，X.，Yang，F.，Cheng，H.，Liu，W.，Shen，D.：用于显著目标检测的轮廓知识转移。摘自：《欧洲计算机视觉会议论文集》，第355\u2013370页（2018）”，“DOI”：“10.1007\/978-3-030-01267-0_22”}，{“key”：“1781_CR28”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chen，S.，Tan，X.，Wang，B.，Hu，X.：显著物体检测的反向注意。摘自：《欧洲计算机视觉会议论文集》，第234\u2013250页（2018年）”，“DOI”：“10.1007\/978-3-030-01240-3_15”}，{“issue”：“11”，“key”：“1781_CR29”，“DOI-asserted-by”：“crossref”，“first page”：《5025》，“DOI:”10.1109\/TIP.2016.2601784，“author”：“W Wang”，“year”：“2016”，“unstructured”：“Wang，W.，Shen，J.，Shao，L.，et al.：通信驱动显著性转移。IEEE Trans.Image Process.25（11），5025\u20135034（2016）”，“journal-title”：“IEEE Trans.Image Process”}，{“key”：“1781_CR30”，“doi-asserted-by”：“crossref”，“非结构化”：“Yan，Q.，Xu，L.，Shi，J.，Jia，J.：层次显著性检测。摘自：IEEE计算机视觉和模式识别会议论文集，第1155\u20131162页（2013）”，“DOI”：“10.1109\/CVPR.2013.153”}，{“key”：“1781_CR31”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，L.，Lu，H.，Ruan，X.，Yang，M.-H.：通过局部估计和全局搜索进行显著性检测的深层网络。摘自：IEEE计算机视觉和模式识别会议论文集，第3183\u20133192页（2015）”，“DOI”：“10.1109\/CVPR.2015.7298938”}，{“key”：“1781_CR32”，“DOI-asserted-by”：“crossref”，“unstructured”：“Li，G.，Xie，Y.，Lin，L.，Yu，Y.：实例级显著对象分割。摘自：IEEE计算机视觉和模式识别会议记录，第2386\u20132395页（2017）”，“DOI”：“10.1109\/CVPR.2017.34”}，{“key”：“1781_CR33”，“DOI-asserted-by”：“crossref”，“unstructured”：“Chen，X.，Zheng，A.，Li，J.，Lu，F.：看，感知和分割：通过双流注视-语义cnns找到图像中的显著对象。摘自：IEEE计算机视觉国际会议论文集，pp.1050\u20131058（2017）”，“DOI”：“10.1109\/ICCV.2017.119”}，{“key”：“1781_CR34”，“DOI-asserted-by”：“crossref”，“unstructured”：“Liu，W.，Anguelov，D.，Erhan，D.，Szegedy，C.，Reed，S.E.，Fu，C.，Berg，A.C.：SSD：单点多盒探测器。摘自：《欧洲计算机视觉会议论文集》，第21\u201337页（2016）”，“DOI”：“10.1007\/978-3319-46448-0_2”}，{“key”：“1781_CR35”，“DOI-asserted-by”：“crossref”，“unstructured”：“Lin，T.，Doll\u00e1r，P.，Girshick，R.B.，He，K.，Hariharan，B.，Belongie，S.J.：用于对象检测的特征金字塔网络。CoRR，vol.arXiv:161203144（2016）”，“DOI”：“10.1109\/CVPR.2017.106”}，｛“key”：“1781_CR36”，“DOI断言由”：“crossref”，“非结构化”：“Zhang，L.，Dai，J.，Lu，H.，He，Y.，Wang，G.：用于显著对象检测的双向消息传递模型。摘自：IEEE计算机视觉和模式识别会议论文集，第1741\u20131750（2018）页”，“DOI”：“10.1109\/CVPR.2018.00187”}，{“key”：“1781_CR37”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhang，X.，Wang，T.，Qi，J.，Lu，H.，Wang：“姜，H.，王，J.，袁，Z.，Wu，Y.，郑，N.，Li，S.：显著目标检测：一种区分性区域特征集成方法。摘自：IEEE计算机视觉与模式识别会议论文集，第2083\u20132090页（2013）”，“DOI”：“10.1109\/CVPR.2013.271”}，{“issue”：“5”，“key”：“1781_CR39”，“first page”：《2368》，“volume”：”27“，“作者”：“W W”，“年份”：“2017”，“非结构化”：“W，W.，J，S.：深度视觉注意力预测。IEEE Trans.Image Process.27（5），2368\u20132378（2017）”，“期刊标题”：“IEEE Trans.Image Process.”}，｛“问题”：“8”，“关键”：“1781_CR40”，“首页”：“2014”，“卷”：“23”，“作者”：“W W”，“年份”：“2016”，“非结构化”：“W，W.，J，S.，Y，Y.，et al.：通过有效的立体显著性检测创建立体缩略图。IEEE Trans.Vis.Compute.Graph.23（8），2014\u20132027（2016）”，“日志标题”：“IEEE Trans.Vis.Computer.Graph.”}，{“问题”：“1”，“关键”：“1781_CR41”，“首页”：“38”，“卷”：“27”，“作者”：“W”，“年份”：“2017”，“非结构化”：“W，W.，J，S.，L，S.：通过完全卷积网络检测视频显著对象。IEEE Trans.Image Process.27（1），38\u201349（2017）”，“journal-title”：“IEEE Trans.Image Process”}，{“key”：“1781_CR42”，“doi-asserted-by”：“crossref”，“unstructured”：“Wang，W.，Shen，J.，Guo，F.等人：重温视频显著性：一个大型基准和一个新模型。摘自：IEEE计算机视觉和模式识别会议论文集，第4894\u20134903页（2018年）”，“DOI”：“10.1109\/CVPR.2018.00514”}，{“issue”：“1”，“key”：“1781_CR43”，“first page”：，“非结构化”：“W，W.，J，S.，R，Y.，et al.：Saliency-ware视频对象分割。IEEE Trans.Pattern Anal.Mach.Intell.40（1），20\u201333（2017）”，“日志标题”：“IEEE Trans.Pattern Anal.Mach.Intell.”}，{“问题”：“12”，“关键”：“1781_CR44”，“doi-asserted-by”：“交叉引用”，“首页”：“5706”，“doi”：“10.1109\/TIP.2015.2487833”，“卷”：“24”，“作者”：“A Borji”，“year”：“2015”，“unstructured”：“Borji，A.，Cheng，M.-M.，Jiang，H.，Li，J.：显著对象检测：基准。IEEE Trans.Image Process.24（12），5706\u20135722（2015）”，“journal-title”：“IEEE Trans.Image Process”}，{“key”：“1781_CR45”，“doi-asserted-by”：“crossref”，”unstructure“：“Wand，W.，Shen，J.，Dong，X.，et al.：注视预测驱动的显著物体检测。摘自：IEEE计算机视觉和模式识别会议论文集，第1711\u20131720页（2018）”，“DOI”：“10.1109\/CVPR.2018.00184”}，{“issue”：“11”，“key”：“1781_CR46”，“DOI-asserted-by”：“crossref”，“first page”：《1254》，“DOI:”10.1109\/34.730558“，“volume”：“20”，“author”：“L Itti”，“year”：“1998”，“unstructured”：“Itti，L.，Koch，C.，Niebur，E.：用于快速场景分析的基于盐度的视觉注意模型。IEEE Trans.Pattern Anal.Mach.Intell.20：“Yang，C.，Zhang，L.，Lu，H.，Ruan，X.，Yang，M.：通过基于图形的流形排名进行显著性检测。In:2013 IEEE计算机视觉和模式识别会议，美国俄勒冈州波特兰，2013年6月23日，2013年28日，pp.3166\u20133173（2013）”}，{“key”：“1781_CR48”，“doi-asserted-by”：“crossref”，“unstructured”：“Li，X.，Lu，H.，Zhang，L.，Ruan，X.，Yang，M.：通过密集和稀疏重建进行显著性检测。在：IEEE国际计算机视觉会议论文集，pp.2976\u20132983（2013）”，“DOI”：“10.1109\/ICCV.2013.370”｝，｛“issue”：“8”，“key”：“1781_CR49”，“DOI asserted by”：“crossref”，“first page”：“3919”，“DOI”：“10.1109\/TIP.2016.2579306”，“卷”：“25”，“作者”：“X李”，“年份”：“2016”，“非结构化”：“李，X，赵，L，魏，L，杨，M，吴，F，庄，Y，凌，H，王，J：深度显著性：用于显著对象检测的多任务深度神经网络模型。IEEE Trans.Image Process.25（8），3919\u20133930（2016）”，“期刊标题”：“IEEE Trans.Image Process”}，{“key”：“1781_CR50”，“doi-asserted-by”：“crossref”，“unstructured”：“Li，G.，Yu，Y.：显著目标检测的深度对比学习。In：IEEE计算机视觉和模式识别会议论文集，第478\u2013487页（2016）”，“doi”：“10.1109\/CVPR.2016.58”}，{“key”：“1781_CR51”，“doi-asserted-by”：：“Deng，Z.，Hu，X.，Zu，L.，Xu，X..，Qin，J.，Han，G.，Heng，P.-A.：R3net：显著性检测的递归残差精化网络。摘自：第27届国际人工智能联合会议论文集，第684\u2013690页。AAAI出版社（2018）“，“DOI”：“10.24963\/ijcai.2018\/95”}，{“key”：“1781_CR52”，“DOI-asserted-by”：“crossref”，“unstructured”：“Liu，N.，Han，J.：Dhsnet：用于显著对象检测的深层显著性网络。摘自：IEEE计算机视觉和模式识别会议论文集，第678\u2013686页（2016）”，“DOI:”10.1109\/CVPR.2016.80“}，}”key“：”1781_CR53“，”doi-asserted-by“：”crossref“，”unstructured“：”Hou，Q.，Cheng，M.-M.，Hu，X.，Borji，A.，Tu，Z.，Torr，P.H.：通过短连接进行深度监督的显著物体检测。摘自：IEEE计算机视觉和模式识别会议论文集，第3203\u20133212页（2017）“，“DOI”：“10.1109\/CVPR.2017.563”}，{“key”：“1781_CR54”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhang，P.，Wang，D.，Lu，H.，Wang-H.，Ruan，X.：护身符：聚合多级卷积特征，用于显著目标检测。摘自：IEEE计算机视觉国际会议论文集，第202\u2013211页（2017）“，“DOI”：“10.1109\/ICCV.2017.31”}，{“key”：“1781_CR55”，“DOI-asserted-by”：“crossref”，“unstructured”：“Hu，X.，Zhu，L.，Qin，J.，Fu，C.-W.，Heng，P.-A.：递归聚合深层特征用于显著目标检测。In：第三十二届AAAI人工智能会议（2018）“，”DOI“：”10.1609\/AAAI.v32i1.12298“}，{“key”：“1781_CR56”，“unstructured”：“Liu，J.J.，Hou，Q.，Cheng，M.M.，et al.：实时显著对象检测的简单池基设计。In：IEEE计算机视觉和模式识别会议论文集”}1781_CR57“，“非结构化”：“秦，X，张，Z，黄，C，等：Basnet：边界感知显著目标检测。摘自：IEEE计算机视觉和模式识别会议记录“}，{“key”：“1781_CR58”，“doi-asserted-by”：“crossref”，“unstructured”：“Hu，X.，Fu，C.W.，Zhu，L.，et al.：Sac-net：显著目标检测的空间衰减上下文。arXiv预印本arXiv:1903.10152（2019）”，“doi”：“10.1109\/TCSVT.2020.2995220”}非结构化“：”Wu，Z.，Su，L.，Huang，Q.：级联部分解码器，用于快速准确的显著目标检测。在：IEEE计算机视觉和模式识别会议记录“}，{“key”：“1781_CR60”，“unstructured”：“Borji，A.，Sihite，D.N.，Itti，L.：显著对象检测：基准。摘自：Computer Vision\u2014ECCV 2012\u2014第12届欧洲计算机视觉会议，意大利佛罗伦萨，2012年10月7日\u201313，会议记录，第二部分，第414\u2013429页（2012）“}，{“key”：“1781_CR61”，“doi-asserted-by”：“crossref”，“unstructured”：“Mai，L.，Niu，Y.，Liu，F.：显著聚集：一种数据驱动的方法。摘自：IEEE计算机视觉和模式识别会议记录，第1131\u20131138页（2013）“，”DOI“：”10.1109\/CVPR.2013.150“}，{“问题”：“144”，“关键”：“1781_CR62”，“第一页”：“491”，“卷”：“32”，“作者”：“AN Tikhonov”，“年份”：“1977”，“非结构化”：“Tikhonovo，A.N.，Arsenin，V.Y.：不适定问题的解决方案。数学计算32（144），491\u2013491（1977）“，”杂志标题“：”数学。计算。“}，{”key“：”1781_CR63“，”unstructured“：”Simonyan，K.，Zisserman，A.：用于大规模图像识别的深度卷积网络。CoRR，vol.arXiv:1409.1556（2014）“}I.J.Goodfellow、D.Warde-Farley、M.Mirza、A.C.Courville、Y.Bengio：Maxout网络。摘自：《第三十届机器学习国际会议论文集》，2013年，美国佐治亚州亚特兰大市，2013年6月16日，2013年12月21日，第1319\u20131327页（2013）“}，{“key”：“1781_CR65”，“volume-title”：“使用MATLAB进行数字图像处理”，“author”：“RC Gonz\u00e1lez”，“year”：“2004”，“unstructured”：“Gonz\u00e1lez，R.C.，Woods，R.E.，Eddins，S.L.：使用MATLAB进行数字图像处理。Pearson-Prentice-Hall，Upper Saddle River（2004）“}，{“key”：“1781_CR66”，“doi-asserted-by”：“crossref”，“unstructured”：“Li，Y.，Hou，X.，Koch，C.，Rehg，J.M.，Yuille，A.L.：显著对象分割的秘密。摘自：IEEE计算机视觉与模式识别会议论文集，pp.280\u2013287（2014）”，“doi”：“10.1109 \/CVPR.2014.43”}，}“key“：”1781_CR67“，”doi-asserted-by“：”crossref“，”unstructured“：”Achanta，R.，Hemami，S.S.，Estrada，F.J.，S\u00fcsstrunk，S.：频率调谐显著区域检测。在：《IEEE计算机视觉与模式识别会议论文集》，第1597\u20131604（2009）页，“DOI”：“10.1109\/CVPR.2009.5206596”}，｛“issue”：“3”，“key”：“1781_CR68”，“DOI asserted by”：“crossref”，“首页”：“569”，“DOI”：“10.1109\/TPAMI.204.2345401”，“volume”：“37”，“author”：“M Cheng”，“year”：“2015”，“nonstructured”：“Cheng，M.，Mitra，N.J.，Huang，X.，Torr，P.H.S.，Hu，S.：基于全局对比度的显著区域检测。IEEE传输。模式分析。机器。智力。37（3），569\u2013582（2015）“，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”1781_CR69“，”doi-asserted-by“：”crossref“，”unstructured“：”Jia，Y.，Shelhamer，E.，Donahue，J.，Karayev，S.，Longdoi断言由“：”crossref“，”first page“：”818“，”doi“：”10.1109\/TPAMI.2015.262626“，”volume“：”39“，”author“：”H Peng“，”year“：”2017“，”nonstructured“：”Peng，H.，Li，B.，Ling，H.，Hu，W.，Xiong，W.，Maybank，S.J.：通过结构化矩阵分解进行突出对象检测。IEEE传输。模式分析。机器。智力。39（4），818\u2013832（2017）“，“期刊标题”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”1781_CR71“，”doi-asserted-by“：”crossref“，”unstructured“：”Tong，N.，Lu，H.，Ruan，X.，Yang，M.：通过bootstrap学习检测突出对象。摘自：IEEE计算机视觉和模式识别会议论文集，第1884\u20131892页（2015）“，”doi“：”10.1109\/CVPR.2015.7298798“非结构化“：”江，B.，张，L.，卢，H.，杨，C.，杨，M.：通过吸收马尔可夫链进行显著性检测。摘自：IEEE计算机视觉国际会议论文集，pp.1665\u20131672（2013）“，“DOI”：“10.1109\/ICCV.2013.209”}，{“key”：“1781_CR73”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhu，W.，Liang，S.，Wei，Y.，Sun，J.：鲁棒背景检测的显著性优化。摘自：IEEE计算机视觉和模式识别会议论文集，第2814\u20132821页（2014）“，“DOI”：“10.1109\/CVPR.2014.360”}，{“key”：“1781_CR74”，“DOI-asserted-by”：“crossref”，“unstructured”：“Zhang，J.，Sclaroff，S.，Lin，Z.L.，Shen，X.，Price，B.L.，Mech，R.：80 FPS下的最小障碍物显著物体检测。摘自：IEEE国际计算机视觉会议论文集，第1404\u20131412页（2015）“，”DOI“：”10.1109\/ICCV.2015.165“}，{”key“：”1781_CR75“，”unstructured“：”Qin，Y.，Lu，H.，Xu，Y.、Wang，H.：通过细胞自动机进行显著性检测。摘自：《IEEE计算机视觉和模式识别会议论文集》，第110\u2013119（2015）页“}”key”：“1781_CR76”，“doi asserted by”：“crossref”，“nonstructured”：“Lee，G.，Tai，Y.，Kim，J.：具有编码的低级别距离图和高级别特征的深度显著性。摘自：IEEE计算机视觉和模式识别会议记录，第660\u2013668页（2016）“，”DOI“：”10.1109\/CVPR.2016.78“}]，”container-title“：[”The Visual Computer“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”http://\/link.springer.com\/content\/pdf\/10007\/s00371-019-01781-9.pdf“，”content-type“：”application\/pdf“，”content-version“：”vor“，”intended-application“：”text-mining“}，{“URL”：“http://\/link.springer.com/article\/10.1007\/s00371-019-01781-9\/fulltext.html”，“content-type”：“text\/html”，“content-version”：“vor”，“intended-application”：“text-mining”}，“内容类型”：application \/pdf“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2022,10,8]]，”date-time“：”2022-10-08T00:54:55Z“，”timestamp“：1665190495000}，”score“：1，”resource“：”{“primary”：{“URL”：“http://link.sprimary.com\/10007\/s00371-019-01781-9”}}，“副标题”：[]，“短标题“：[]，”已发布“：{”date-parts“：[[2019,12,9]]}，“references-count”：76，“journal-issue”：{“issue”：“9”，“published-print”：{“date-part”：[[2020,9]]]}}，”alternative-id“：[”1781“]，”URL“：”http://\/dx.doi.org\/10.10007\/s00371-019-01781-9“，”relation“：{}”，“ISSN”：[“0178-2789”，”1432-2315“]，“ISSN-type”：[{“数值”：“0178-2789”，“类型”：“打印”}，{“值”：“1432-2315”，“型号”：“电子”}]，“subject“：[]，”published“：{”date-parts“：[[2019,12,9]]}，”assertion“：[{”value“：”2019年12月9日“，”order“：1，”name“：”first_online“，”label“：”first online“，“group”：{“name”：“ArticleHistory”，“label”：“Article History“}}}，{“order”：1，“name”:“Ethics”，”group“：{name”：”EthicsHeading“，”标签“：”遵守道德标准}，“value”：“”所有作者都声明他们没有利益冲突。“，”order“：2，”name“：”Ethics“，”group“：{”name“:”EthicsHeading“，”label“：”利益冲突“}}]}}