一、显著检测定义：
利用算法模型找到人眼关注的区域。
二、应用：
显著性检测可以应用到其他视觉任务中
三、显著性检测的模型
大概大致可以分为两类：
（1）人类注视点预测（Human eye fixation prediction）：显著的区域，加高斯
（2）显著目标预测（Salient object detection)：显著的目标
以输入的数据分类
（1）2D image；
（2）3D image（2D+depth，例如RBG-D数据集；left+right image）
depth image 类似于灰度图，只是它的每个像素的值是传感器（摄像机）距离物体的实际距离;
视差图：物体离观察者越近，左右眼所见物体差别越大，这就形成了视差。大脑可以利用这种视差，估计物体离自己的距离；
3D图可以分解为左右视图，左右视图可以合成视差图，视差图可以转化成depth图；
（3）2D video
（4）3D video （一系列左图+一系列右图）
（5）光场图片
传统相机成像原理是光线穿过镜头，到达成像平面。光场相机在镜头和成像平面之间增加了微透镜阵列（micro-lens array)，达到不仅记录光线的位置信息(x, y)，还有方向信息(u, v)。可以做到先拍照，后聚集的效果。
（6）多光谱图片、高光谱图片
多光谱图片：rgb+红外...；
高光谱图片：几十个通道，或上百个通道
（7）360度图片、全景图片(panorama image)
在同一时刻，记录周围所有方向信息，360度图片（即全景图片）的保存形式有两种：
1）cubic format;
2) equirectangular format.
（8）遥感图片
四、常用的显著性检测方法
（1）自底向上（bottom-up)
纯粹的受周围外部因素刺激驱动，例如低阶特征颜色（如下图），亮度，方向，纹理信息。与周围特征对比度越大，则越显著。
（2）自上而下（top-down)
受主体控制，与任务相关。如下图，如果当前视觉任务是有多少人，显著区域落在人上；如果任务是他们的发行分类，则视点会落在头上。
（3）深度学习模型
以上两种都是基于手动提取特征，而深度学习，通过使用不同的卷积，可以自动提取不同特征，加深网络可以提取高阶特征（high-level feature)。
五、常用的显著性检测论文及代码汇总
参考: （1） 3D image: 点击打开链接
（2） 视差图：点击打开链接