對高層特征和低層特征分別使用通道注意力和空間注意力來獲得更精確的細節(jié)。 除了邊緣信息之外，還有一些其他信息同樣被用來增強顯著性目標檢測的效果，如： （1）S4Net [10]：對由骨干網絡提取出的特征，S4Net除了設計顯著性特征分支外，還使用了mask R-CNN結構來設計額外的分支。
盡管現(xiàn)有的顯著性目標檢測模型檢測性能不錯，但是在顯著性物體的邊緣的檢測上仍然不夠準確，尤其是在前景和背景對比度低，背景復雜等等情況下。 基于此，眾多研究者提出了自己的邊緣強化方案，這些方案大致可以劃分為兩種：（1）通過引入外部知識庫（即新的邊緣數(shù)據(jù)集）的方法來強化模型在顯著性目標邊緣上的檢測；（2）通過設計邊緣敏感損失函數(shù)，來使模型更關注在邊緣上的像素點的預測。
回顧2019年，顯著性目標檢測在邊緣上做了許多工作，同時也提供了許多新的數(shù)據(jù)集，其中不乏一些分支領域的開山之作。 本文可能沒有將所有頂會的顯著性論文包含在內，如有疏漏還請大家見諒。
傳統(tǒng)的顯著性目標檢測任務是一種二值分割任務，2019年，許多研究者在傳統(tǒng)任務上進行拓展，使顯著性目標檢測面臨更多新的挑戰(zhàn)。 按使用場景不同，本節(jié)分為（1）視頻級顯著性目標檢測；（2）RGBD顯著性目標檢測；（3）高分辨率顯著性目標檢測；（4）弱監(jiān)督顯著性目標檢測。
