显著性目标检测相当于语义分割中的二分类任务(包含背景) 项目里包含了DUTS数据集，对预处理transform的重新实现，利用混淆矩阵计算网络的性能，对预训练权重的迁移学习等等 对dataset的init方法重新编写的话，可以完成别的u2net的二分类任务

From Human Attention to Computational Attention: A Multidisciplinary Approach

针对图像中相似冗余背景造成的显著目标识别的干扰问题，提出了一种基于超像素的冗余信息抑制的显著目标检测方法。首先,引入超像素的概念，利用超像素优化的空间特征分割图像，获取图像的相似区域；其次,为消除像素间的相关性，计算超像素的香农熵来表示图像的像素信息，并据此建立图像的信息图，最后,为了更有效地去除图像中的相似信息，利用自相似性抑制方法克服冗余信息，建立高效的图像显著图。最后的仿真结果表明, 所提算法与传统方法相比，不仅可以准确识别显著目标，而且可以更有效地抑制背景中的冗余信息。

采用小波变换的方法进行显著性图像检测，获取图像中的显著区域

基于显著性分析的立体图像视觉舒适度预测

图像显着性检测算法matlab代码

显著性检测算法常通过计算像素之间的差异来确定显著性，但是对像素的选取通常是固定的，容易忽略图像中物体的边界信息，导致最终检测结果中目标的边界比较模糊。借鉴生物视觉注意机制，提出了一种新的基于超像素和马尔科夫链的显著性区域检测算法，将图像分割成若干个超像素，使用Wasserstein距离衡量超像素之间颜色、方向和位置的差异来建立马尔科夫链，将显著性检测问题转换为马尔科夫链上的随机游走问题，使用它的平稳分布作为图像的显著度。实验结果表明，相对于两种经典算法，所提出的算法在主要目标及其边界的提取精度等方面取得了较为满意的效果。

针对显著性检测中特征选择的主观片面性和预测过程中特征权重的难以协调性问题，提出了一种基于全卷积神经网络和多核学习的监督学习算法。首先通过MSRA10K图像数据库训练出的全卷积神经网络（FCNN），预测待处理图像的初步显著性区域；然后在多尺度上选择置信度高的前景、背景超像素块作为多核支持向量机（SVM）分类器的学习样本集，选择并提取八种典型特征代表对应样本训练SVM；接着通过多核SVM分类器预测各超像素显著值；最后融合初步显著图和多核学习显著图，改善FCNN网络输出图的不足，得到最终的显著性目标。该方法在SOD和DUT-OMRON数据库上有更高的AUC值和F-measure值，综合性能均优于对比方法，验证了该方法在显著性检测中准确性的提高，为目标识别、机器视觉等应用提供更可靠的预处理结果。

图像显着性检测算法matlab代码mDRFI _ Matlab 皮肤镜图像中的显着性检测 皮肤镜图像中的显着性检测，如本文所述：M. Jahanifar等人（“皮肤镜图像中病变的受监督的显着性图驱动分割”）（arXiv ：） **这是用于在皮肤镜图像中进行病变分割的算法的一部分，在“ ISIC2017：针对黑色素瘤检测的皮肤病变分析-第1部分：分割”中排名第七。 可以在上述论文中获得对分割方法的完整说明** mDRFI是用于显着性检测的DRFI模型的修改版本，在论文“论文显着物体检测：具有区别性的区域特征集成方法”（arXiv ：）中进行了描述。 我们为显着性特征添加了一些新的区域属性描述符，以便更好地检测皮肤镜图像中的病变。 另外，提出了新的伪背景区域以提高显着性检测。 此实现包含显着性检测方法（mDRFI）的全部pipiline，包括培训和测试阶段。 代码中还实现了颜色恒定性校正。 首先，运行compile.m来编译mex文件（您需要c ++编译器，例如Windows上的Microsoft Visual Studio才能执行此操作）。 如果您想训练自己的随机森林回归器，请查看tra

机器学习课上构建神经网络实现显著性提取