{“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”：[[2024,8,25]]，“日期-时间”：“2024-08-25T13:27:44Z”，“时间戳”：1724592464933}，“引用-计数”：69，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：{:“日期-零件”：[[2021,9,1]]，”日期-时间“：”2021-09-01T00:00:00 0:00Z“，”时间戳“：1630454400000}，”内容-版本“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}]，“资助者”：[{“DOI”：“10.13039\/501100012226”，“名称”：“中央高校基本科研经费”，“DOI-asserted-by”：“publisher”，“奖项”：[“编号2020JBM403”]，“id”：[}“id”:“10.13029\/501100100012226“，”id-type“：”DOI“，“断言者”：“发布者”}]}，{“DOI”：“10.13039\/50101100004826”，“name”：“北京市自然科学基金会”，“doi断言者”：“出版者”，“奖项”：[“4202057”，“4202058”，“4202060”]，“id”：[{“id”：“10.13039\/50101100004826”，“id type”：“doi”，“断言者”：“出版者”}]}，{“doi”：“10.13039\/50101100001809”，“name”：“国家自然科学基金会”，“doi断言者”：“出版者”，“奖项”：[“No.62072027”，“61872032”]，“id”：[{“id”:“10.13039\/501000001809”，“id-type”：“DOI”，“asserted-by”：“publisher”}]}，{“name”：“Mobile Communications Corporation Foundation”，“award”：[“MCM20170201”]}“]，”id“：[{”id“：“10.13039\/501000004543”，“id-type”：“DOI”，“asserted-by”：“crossref”}]}]，“content-domain”：{“域”：[“elsevier.com”，“sciencedirect.com”]，“crossmark-restriction”：true}，“short-container-title”：[”Neurocomputing“]，”published-print“：{”date-parts“：[2021,9]}，”DOI“：”10.1016\/j.neucom.2020.05.109“，”键入“：”journal-article“，”created“：{”date-parts“：[2020,9,9]]，“date-time”：“2020-09-09T08:41:48Z”，“timestamp”：1599640908000}，“page”：“645-655”，“update-policy”：”http://\/dx.doi.org\/10.1016\/elsevier_cm_policy“，”source“：”Crossref“，“is-referenced-by-count”：4，“special_numbering”：“C”，“title”：[“Deep spatio-frequency salency detection”]，“prefix”：“10.1016”，“volume”：《453》，“author”“：[{”given“：”Zun“，”family“：”Li“，“sequence”：“first”，“affiliation”：[]}，{“given”：“Congyan”，“family”：“Lang”，“segment”：“additional”，“filiation“：[]{”given“：”Tao“，”family“：”Wang“，”sequence“：”additional“，”affiliance“：[]}，”givent“：”Yidong“，”家族“：”Li“，“se序列”：“additional”、“affidiation”：[]}、{“Givent”：“Jiashi”、“家庭”：“Feng”、“sequence:”附加“，”从属“：[]}]，”成员“：“78”，“reference”：[{“issue”：“11”，“key”：“10.1016\/j.neucom.2020.05.109_b0005”，“doi-asserted-by”：“crossref”，“首页”：“2314”，“doi”：“101109\/TPAMI.2016.2636150”，“article-title”：“Stc:一个简单到复杂的弱监督语义切分框架”，“volume”:“39”，“author”：“Wei”，“year”：“2017”，“journal title”：“IEEE Trans.Pattern Anal.Mach.Intell.”}，{“issue”：“2”，“key”：“10.1016\/j.neucom.2020.05.109_b0010”，“doi-asserted-by”：“crossref”，“first page”：：“2179”，“doi”：“101016\/j.neucomm.2017.0.057”，“article-title”：“显著性驱动的改进简化pcnn模型，用于对象分割”，“volume”:“275”，“author”：“Guo”，“year”：“2018”，“journal title”：“Neurocomputing”}，{“key”：“10.1016\/j.neucom.2020.05.109_b0015”，“unstructured”：“S.Hong，T.You，S.Kwak，B.Han，通过卷积神经网络学习辨别显著性图进行在线跟踪，收录于：ICML，2015，第597\u2013606页。”}、{“key”：《10.1016\/j.nucom.2020.05.109_b0020》，“doi-asserted-by”：“crossref”，“非结构化”：“L.Qi，Y.Xu。Shang，J.Dong，Fusing visual salince for material recognition，in：CVPRW，2018，pp.2046\u201320463.“，”DOI“：”10.1109\/CVPRW.2018.00263“}，{“key”：“10.1016\/J.neucom.2020.05.109_b0025”，“DOI-asserted-by”：“crossref”，“first page”：”199“，“DOI”：“1016\/J.jvcir.2017.11.021”，“article-title”：“基于盐度的语义图像检索多特征建模”，“卷”：“50”，“作者”：“白”，“年份”：“2018”，“期刊标题”：“J.Visual Commun。图像表示“}，{“问题”：“1”，“关键”：“10.1016\/j.neucom.2020.05.109_b0030”，“doi-asserted-by”：“crossref”，“首页”：“20”，“doi”：“101109\/TPAMI.2017.2662005”，《文章标题》：“Saliency-ware视频对象分割”，“卷”：“40”，“作者”：“王”，“年份”：“2018”，“日志标题”：“IEEE Trans.Pattern Anal.Mach.Intell.”}，}键“：”10.1016\/j.neucom.2020.05.109_b0035“，”doi-asserted-by“：”crossref“，”unstructured“：”X.Lu，W.Wang，C.Ma，j.Shen，L.Shao，F.Porikli，《更多信息，了解更多：使用共同关注的暹罗网络进行无监督视频对象分割》，收录于：CVPR，2019，pp.3623\u20133632.“，“doi”：“10.1109\/CVPR.2019.00374”}，{“key”：“1016\/j.neucom.2020.05.109_b0040”，“”doi-asserted-by“：”crossref“，”unstructured“：”V.Ramanishka，A.Das，J.Zhang，K.Saenko，由字幕引导的自上而下视觉显著性，收录于：CVPR，2017年，第3135\u20133144页。“，”doi“：”10.1109\/CVPR.2017.334“}，{“key”：“10.1016\/J.neucom.2020.05.109_b0045”，“doi-assert-by”：“Crosref”，“unstructure”：“C.Yang，L.Zhanng，H.Lu，R.Xiang，M.H。杨，通过基于图形的流形排名进行显著性检测，收录于：CVPR，2013，pp.3166\u20133173。“，”DOI“：”10.1109\/CVPR.2013.407“}，{“问题”：“2”，“关键”：“10.1016\/j.neucom.2020.05.109_b0050”，“DOI-asserted-by”：“crossref”，“首页”：“1”，“DOI”：“101007\/s11263-016-0977-3”，“文章标题”：“显著对象检测：区分性区域特征集成方法“，”卷“：”123“，”作者“：”王“，”年份“：”2017“，”期刊标题“：”IJCV“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0055”，”doi-asserted-by“：”crossref“，”首页“：”236“，”doi“：”10.1016\\j.neucomm.2018.5.106“，”文章标题“：“通过亲和图学习和加权流形排序进行显著性检测”，“卷”：“312”，“作者”：“朱”，“年份”：“2018”，“期刊标题”：“神经计算”}，{“问题”：“3”，“关键”：“10.1016\/j.neucom.2020.05.109_b0060”，“首页”：“409”，“文章标题”：”基于全局对比度的显著性区域检测“，卷”：”：“37”，“作家”：“程”，“年”：“2011”，“journal-title“：”IEEE Trans。模式分析。机器。智力。“}，{”key“：”10.1016\/j.neucom.2020.05.109_b0065“，”doi-asserted-by“：”crossref“，”first page“：“46”，“doi”：“10.1016\/j.nucom.2018.03.049”，“article-title”：“基于前景外观和背景图像的显著性检测”，“volume”：“301”，“author”：“Lu”，”year“：”2018“，”journal-title“：”Neurocomputing“}”，{“key”：2020.05.109_b0070“，”doi-asserted-by“：”crossref“，”unstructured“：”W.Zhu，S.Liang，Y.Wei，J.Sun，稳健背景检测的显著性优化，in：CVPR，2014，pp.2814\u20132821.“，“doi”：“10.1109\/CVPR.2014.360”}，{“issue”：“11”，“key”：“101016\/J.neucom.2020.05.109_b0075”，“doi-assert-by”：“crossref.”，“first page”：”4185“，“doi”：”10.1109\/TIP.2015.2460 013“，”article-title“：”使用局部梯度流优化和全局细化实现一致的视频显著性“，”卷“：”24“，”作者“：”王“，”年份“：”2015“，”期刊标题“：”IEEE Trans。图像处理。“}，{”key“：”10.1016\/j.neucom.2020.05.109_b0080“，”article-title“：”在深度学习时代重温视频显著性预测“，”author“：”Wang“，”year“：”2019“，”journal-title”：“IEEE Trans.Pattern Anal.Mach.Intell.”}，”{“key”：“10.1016\/j.nucom.2020.05.109_b0085”，”unstructured“：”G.Li，Y。Yu，基于多尺度深度特征的视觉显著性，载于：CVPR，2015，pp.5455\u20135463.“｝，｛“key”：“10.1016\/j.neucom.2020.05.109_b0090”，“doi断言”：“crossref”，“非结构化”：“N.Liu，j.Han，Dhsnet:用于显著对象检测的深层显著性网络，载于：CVPR，2016，pp.678\u2013686.”，“doi”：“10.1109\/CVPR.2016.80”｝，｛“key”：“10.1016\/j.neucom.2020.05.109_b0095“，”doi-asserted-by“：”crossref“，”unstructured“：”Q.Hou，M.-M.Cheng，X.Hu，A.Borji，Z.Tu，P.Torr，《短连接深度监督显著物体检测》，收录于：CVPR，2017年，第5300\u20135309页。“，”doi“：”10.1109\/CVPR.2017.563“}，{“key”：“10.1016\\j.neucomm.2020.05.109_b0100”，“doi-assert-by”：“crossref.”，“”非结构化”：“P.Zhang，D.Wang，H.Lu，H.Wang，X.Ruan，Amulet:聚合多级卷积特征用于显著目标检测，in：ICCV，2017，pp.202\u2013211.”，“DOI”：“10.1109\/ICCV.2017.31”}，{“key”：“101016\/j.neucom.2020.05.109_b0105”，“DOI-asserted-by”：“crossref”，“非结构化”。Lu，用于检测图像中显著对象的分段细化模型，in：ICCV，2017，pp.4019\u20134028.“，”DOI“：”10.1109\/ICCV.2017.433“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0110”，“first page”：”3127“，”article-title“全局检测，局部细化：显著性检测的新方法”，“author”：“Wang”，“year”：“2018”，“journal-title”：“”CVPR“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0115”，“doi-asserted-by”：“crossref”，“unstructured”：“N.Liu，j.Han，M.-H.Yang，Picanet:Learning pixel-wise contextual attention for sadience detection，in：CVPR，2018，pp.3089\u20133098.”，“doi”：“101109\/CVPR.2018.00326”}，“key“10.1016”，“j.neucom.2020.05.109_b0120”，“doi-asserted-by”：“crossref”，“非结构化”：“L.Zhang，J.Dai，H.Lu，Y.He，G.Wang，用于显著对象检测的双向消息传递模型，in：CVPR，2018，pp.1741\u20131750.”，“DOI”：“10.1109\/CVPR.2018.00187”}，{“key”：“101016\/J.neucom.2020.05.109_b0125”，“DOI-asserted-by”：“crossref”，”非结构化“N.Murray，M.Vanrell，X.Otazu，C.A。P\u00f3rraga，使用非参数低水平视觉模型进行显著性估计，in：CVPR，2011，第433\u2013440页。“，”DOI“：”10.1109\/CVPR.2011.5995506“}，{“issue”：“1”，“key”：“10.1016\/j.neucom.2020.05.109_b0130”，“DOI-asserted-by”：“crossref”，“first-page”：“96”，“DOI”：“101109\/TMM.2012.225034”，“article-title”：“使用基于小波变换的低级特征的显著性检测模型，“卷”：“15”，“作者”：“Imamoglu”，“年份”：“2013”，“期刊标题”：“IEEE Trans。多媒体“}，{“问题”：“3”，“关键”：“10.1016\/j.neucom.2020.05.109_b0135”，“doi-asserted-by”：“crossref”，“首页”：“569”，“doi”：“101109\/TPAMI.2014.245401”，“文章标题”：“基于全局对比度的显著区域检测”，“卷”：“37”，“作者”：“程”，“年份”：“2015”，“日志标题”：《IEEE Trans.Pattern Anal.Mach.Intell.》：“27”，“键”：“10.1016\/j.neucom.2020.05.109_b0140“，”doi-asserted-by“：”crossref“，”first page“：”2368“，”doi“：”10.1109\/TIP.2017.2787612“，”article-title“：”深度视觉注意力预测“，”volume“：“5”，“author”：“Wang”，“year”：“2018”，“journal-title”：“IEEE Trans。图像处理。“}，{”issue“：”11“，”key“：”10.1016\/j.neucom.2020.05.109_b0145“，”doi-asserted-by“：”crossref“，”first page“：“5025”，”doi“：”101109\/TIP.2016.2601784“，”article-title“：”通信驱动显著性转移“，”volume“:”25“，”author“：”Wang“，”year“：”2016“，”journal-title”：“IEEE Trans.Image Process.”}，}“key”：“10.1016\/j.neucom.2020.05.109_b0150“，”doi-asserted-by“：”crossref“，”unstructured“：”G.Li，Y.Yu，用于显著目标检测的深度对比学习，in：CVPR，2016，pp.478\u2013487.“，”doi“：”10.1109\/CVPR.2016.58“}，{“issue”：“8”，“key”：“10.1016\/j.neucom.2020.05.109_b0155”，“doi-assert-by”：“crossreff”，“first page”：”1913“，“doi”：“101109\/TPAMI.2019.2905607”，“”文章标题“：”从人类注视推断出显著物体”，“卷”：“42”，“作者”：“王”，“年份”：“2020年”，“新闻标题”：“IEEE Trans。模式分析。机器。智力。“}，{”issue“：”1“，”key“：”10.1016\/j.neucom.2020.05.109_b0160“，”doi-asserted-by“：”crossref“，”first-page:“38”，“doi”：“10.1109\/TIP.2017.2754941”，“article-title”：“通过完全卷积网络检测视频显著对象”，“volume”：“27”，“author”：“Wang”，“year”：“2018”，“journal-title“：”IEEE Trans.Image Process.“}”，{“key”：”10.1016\/j.neucom.2020.05.109_b0165“，“doi-asserted-by”：“crossref”，“unstructured”：“L.Wang，H.Lu，X.Ruan，M.-H.Yang，通过局部估计和全局搜索进行显著性检测的深层网络，收录于：CVPR，2015，第3183\u20133192页。”，“doi”：“10.1109\/CVPR.2015.7298938”}，{“key”：“1016\/j.neucom.2020.05.109_b0170”，“doi-asserted-by”：”crossref.“非结构化“：”G.Lee，Y.-W.Tai，J.Kim，《具有编码的低层距离图和高层特征的深度显著性》，载于：CVPR，2016年，第660\u2013668页。“，”DOI“：”10.1109\/CVPR.2016.78“}，{“key”：“10.1016\/J.neucom.2020.05.109_b0175”，“DOI-asserted-by”：“crossref”，“非结构化”：“R.Zhao，W.Ouyang，H.Li，X。Wang，通过多上下文深度学习进行显著性检测，收录于：CVPR，2015年，第1265\u20131274页10.1016\/j.neucom.2020.05.109_b0185“，”doi-asserted-by“：”crossref“，”unstructured“：”S.Chen，X.Tan，B.Wang，X.Hu，《显著目标检测的反向注意》，收录于：ECCV，2018，第236\u2013252.“，”doi“：”10.1007\/978-3-030-01240-3_15“}，{“key”：“10.1016\/j.nucom.2020.05.109_b0190”，“doi-assert-by”：“crossreff”，“unstructure”：“Z.Deng，X.Hu，L。Zhu，X.Xu，J.Qin，G.Han，P.-A.Heng，R3 Net：用于显著性检测的递归残差精化网络，in：IJCAI，2018，pp.684\u2013690.“，”DOI“：”10.24963\/IJCAI.2018\/95“｝，｛”key“：”10.1016\/J.neucom.200.05.109_b0195“，”DOI断言“：”crossref“，”非结构化“：”M.Feng，H.Lu，E。丁，用于边界感知显著目标检测的注意反馈网络，收录于：CVPR，2019年，第1623\u20131632页10.1109\/CVPR.2007.383267“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0205”，“doi-asserted-by”：“crossref”，“unstructured”：“R.Achantay，S.Hemamiz，F.Estraday，S.Ssstrunky，《频率调谐显著区域检测》，收录于：CVPR，2009年，第1597\u20131604页。”，“doi”：“101109\/CVMR.2009.5206596”}，}“issue”：“4”，“key“10.1016”/j.neucom.2020.05.109_b0210“，”doi-asserted-by“：”crossref“，”first page“：”996“，“doi”：“10.1109\/TPAMI.2012.147”，“article-title”：“基于频域尺度空间分析的视觉显著性”，“volume”：“35”，“author”：“Li”，“year”：“2013”，“journal-title“：”IEEE Trans。模式分析。机器。智力。“}，{”key“：”10.1016\/j.neucom.2020.05.109_b0215“，”doi-asserted-by“：”crossref“，”unstructured“：”N.Murray，M.Vanrell，X.Otazu，C.A.P\u00f3rraga，《使用非参数低水平视觉模型进行显著性估计》，收录于：CVPR，2011年，第433\u2013440页。0.05.109_b0220“，”doi-asserted-by“：”crossref“，”first page“：”96“，”doi“：”10.1109\/TMM.2012.225034“，”article-title“：”基于小波变换的低层特征显著性检测模型“，”volume“：“15”，”author“：”Imamoglu“，“year”：“2013”，“journal-title”：“IEEE Trans。多媒体“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0225”，“doi-asserted-by”：“crossref”，“unstructured”：“H.Huang，H.Ran，Z.Sun，T.Tan，Wavelet-srnet:一种基于小波的多尺度人脸超分辨率cnn，in：ICCV，2017，pp.1698\u20131706.”，“doi”：“101109\/ICCV.2017.187”}，“key“：”10.1016//j.neucom.2020.05.109_b0230“，“非结构化”：“Z。Zhong，T.Shen，Y.Yang，Z.Lin，C.Zhang，Srcn：小波域超分辨率联合子带学习，in：NeurIPS，2018，pp.165\u2013175。左，用于图像恢复的多级小波神经网络，收录于：CVPR，2018，第886\u2013895页。“，”DOI“：”10.1109\/CVPRW.2018.0121“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0240”，“series-title”：“信号处理的小波巡视：稀疏方式”，“author”：“Stephane”，“year”：“2009”}，“key“：”1016\/j.neucom.2020.05.109_b0245“，”DOI-asserted-by“：”crossref“，”非结构化”：“K.He，X.Zhang，S.Ren，J.Sun，图像识别的深度剩余学习，in：CVPR，2015，pp.770\u2013778.”，“DOI”：“10.1109\/CVPR.2016.90”}，{“key”：“101016\/J.neucom.2020.05.109_b0250”，“非结构化”，“K.Simonyan，A.Zisserman，用于大规模图像识别的极深卷积网络，CoRR abs \/1409.1556.”}、{“密钥”：“10.1016\/j.neucom.2020.05.109_b0255“，”doi-asserted-by“：”crossref“，”unstructured“：”Q.Yan，L.Xu，j.Shi，j.Jia，层次显著性检测，收录于：CVPR，2013，pp.1155\u20131162.“，”doi“：”10.1109\/CVPR.2013.153“}，{“key”：“10.1016//j.neucomm.2020.05.109_b0260”，“doi-asserted-by”：“Crosref”，“unstructure”：“Y.Li，X.Hou，C.Koch，j.M.Rehg，A.L。Yuille，《显著对象分割的秘密》，收录于：CVPR，2014年，第280\u2013287页DOI“：”10.1109\/CVPR.2013.407“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0270”，“unstructured”：“G.Li，Y.Yu，基于多尺度深层特征的视觉显著性，收录于：CVPR，2015，pp.5455\u20135463.”}，}，“key“：”101016\/j.neucomm.200.05.109_b0275“，”DOI-asserted-by“：”crossref“，”unstructure“：”V.Movahedi，j.H。Elder，《显著对象分割性能度量的设计和感知验证》，载于：CVPRW，2010年，第49\u201356页。“，”DOI“：”10.1109\/CVPRW.2010.5543739“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0280”，“DOI-asserted-by”：“crossref”，“unstructured”：“L.Wang，H.Lu，Y.Wang，M.Feng，D.Wang，B.Yin，X。阮，《学习在图像级监督下检测显著物体》，载于：CVPR，2017年，第136\u2013145页。“，”DOI“：”10.1109\/CVPR.2017.404“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0285”，“DOI-asserted-by”：“crossref”，“unstructured”：“j.Deng，W.Dong，R.Socher，L.-j.Li，K.Li，L。Fei-Fei，Imagenet:大型分层图像数据库，收录于：CVPR，2009年，第248\u2013255页。“，”DOI“：”10.1109\/CVPR.2009.5206848“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0290”，“DOI-asserted-by”：“crossref”，“unstructured”：“j.Xiao，j.Hays，K.A.Ehinger，A.Oliva，A。托拉尔巴，《太阳数据库：从修道院到动物园的大规模场景识别》，收录于：CVPR，2010年，第3485\u20133492页。“，”DOI“：”10.1109\/CVPR.2010.5539970“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0295”，“DOI-asserted-by”：“crossref”，“unstructured”：“Z.Wu，L.Su，Q。黄，快速准确检测显著目标的级联部分解码器，in：CVPR，2019，pp.3907\u20133916.“，”DOI“：”10.1109\/CVPR.2019.00403“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0300”，“DOI-asserted-by”：“crossref”，“unstructured”：“X.Zhang，T.Wang，j.Qi，H.Lu，G。王，用于显著目标检测的渐进注意引导递归网络，收录于：CVPR，2018年，第714\u2013722页。“，”DOI“：”10.1109\/CVPR.2018.00081“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0305”，“DOI-asserted-by”：“crossref”，“unstructured”：“R.Achantay，S.Hemamiz，F.Estraday，S。Ssstrunky，频率调谐显著区域检测，收录于：CVPR，2009年，第1597\u20131604页。“，”doi由“：”crossref“，”非结构化“：”T.Z.Xie，Saining，整体嵌套边缘检测。，in：ICCV，2015，pp.1395\u20131403.“，”DOI“：”10.1109\/ICCV.2015.164“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0320”，“DOI-asserted-by”：“crossref”，“unstructured”：“L.Wang，L.Waing，H.Lu，P.Zhang，X.Ruan，递归全卷积网络的显著性检测，in：ECCV，2016，pp.825\u2013 841.”，“DOI”：“101007\/978-319-46493-0_50”}，{“密钥”：“10.1016\/j.neucom.2020.05.109_b0325“，”doi-asserted-by“：”crossref“，”unstructured“：”P.Zhang，D.Wang，H.Lu，H.Wang，B.Yin，学习不确定卷积特征以准确检测显著性，in：ICCV，2017，pp.212\u2013221非结构化”：“P.Zhang，D.Wang，H.Lu，H.Wang，B.Yin，学习不确定卷积特征以进行准确显著性检测，in：ICCV，2017，pp.212\u2013221.”，“DOI”：“10.1109\/ICCV.2017.32”}，{“key”：“101016\/j.neucom.2020.05.109_b0335”，“DOI-asserted-by”：“crossref”，“非结构性”：“W.Wang，S.Zhao，j.Shen，S.C.Hoi，A。Borji，《金字塔注意和显著边缘的显著物体检测》，载于：CVPR，2019年，第1448\u20131457页。“，”DOI“：”10.1109\/CVPR.2019.00154“}，{“key”：“10.1016\/j.neucom.2020.05.109_b0340”，“DOI-asserted-by”：“crossref”，“unstructured”：“W.Wang，j.Shen，C.Mingming，S。Ling，用于显著对象检测的迭代合作自顶向下和自下而上推理网络，载于：CVPR，2019，第5968\u20135977页。“，”DOI“：”10.1109\/CVPR.2019.00612“}，{“问题”：“2”，“关键”：“10.1016\/j.neucom.2020.05.109_b0345”，“DOI-asserted-by”：“crossref”，“首页”：“353”，“DOI”：“101109\/TPAMI.2010.70”，“文章标题”：“学习检测显著物体“，“卷”：“33”，“作者”：“刘”，“年份”：“2011年”，“新闻标题”：“IEEE Trans。模式分析。机器。智力。“}]，”容器标题“：[”神经计算“]，”原始标题“：[]，”语言“：”en“，”链接“：[｛”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S09252231220313709？httpAccept=text\/xml“，”内容类型“：”text\/xml“，”内容版本“：”vor“，”预期应用程序“：”文本挖掘“｝，｛”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S09252231220220 313709美元？httpAccept=text\/plain“，”content-type“：”text\/prain“，“content-version”：“vor”，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[[2022,7,3]]，“date-time”：“2022-07-03T16:50:42Z”，“timestamp”：1656867042000}，“score”：1，“resource”：{“primary”：“URL”：“https:\\/linkinghub.elsevier.com\/retrieve\/pii\/S092 5231220313709“}}，”副标题“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[[2021,9]]}，”references-count“：69，”alternative-id“：[”S092531220313709“]，”URL“：”http://\/dx.doi.org\/10.1016\/j.neucom.2020.05.109“，”relation“：{}，“ISSN”：[“0925-2312”]，“ISSN-type”：[{“value”：“09252312”，“type”:“print”}]，“subject”：【]，“published”：{“date-parts”：[[2021,9]]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher“，”label“：”本文由“}维护，{”value“：”Deep spatio-frequency salincy detection“，”name“：”articletite“，”标签“：”article Title“}，{“value”：“Neurocomputing”，“name”：“journaltitle”，“label”：“Journal Title”}，”value：“https:\/\/doi.org\/101016\/j.neucom.2020.05.109”，“name”：“articlelink”，”lable“：”CrossRef DOI链接到出版商维护的版本“}，{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，}“values”：“\u00a9 2020 Elsevier B.V.保留所有权利。”，“名称”：“版权”，“标签”：“copyright”}]}