ICML

Size-invariance Matters: Rethinking Metrics and Losses for Imbalanced Multi-object Salient Object Detection

code
Abstacrt：本文探討了顯著性檢測中評價指標的尺寸不變性，尤其是當圖像中存在多個大小不同的目標時。作者觀察到，當前的指標是尺寸敏感的，較大的對象被關注，較小的對象被忽略。針對此，本文提出一種通用方法，分別評估每個顯著對象，有效緩解尺寸的不平衡。此外，作者進一步開發了一個針對這一目標的優化框架。

Spider: A Unified Framework for Context-dependent Concept Segmentation

code
Abstacrt：上下文獨立與顯著性檢測相結合。本文提出一個統一的模型Spider，只有一組參數，訓練一次。在圖像-掩碼組提示符驅動的概念過濾器的幫助下，Spider能理解并區分各種強上下文依賴的概念，從而準確地捕捉提示符的意圖。

TCSVT

Learning Adaptive Fusion Bank for Multi-modal Salient Object Detection

code
Abstacrt：針對多模態顯著性檢測問題，即MSOD，本文提出adaptive fusion bank，專注于解決MSOD的五個主要挑戰，即center bias、scale variation、image clutter、low illumination、thermal crossover。為對多模態輸入自適應地選擇合適的融合方案，引入自適應集成模塊，形成自適應融合bank，嵌入到層級中，以充分融合不同的源數據。此外，還設計了一個間接交互引導模塊，通過對高層語義信息和底層空間細節的跳躍集成精確檢測顯著目標。

TII

MINet: Multi-scale Interactive Network for Real-time Salient Object Detection of Strip Steel Surface Defects

code
Abstacrt：針對目前參數大、計算成本高、推理速度慢等問題，本文提出多尺度交互模塊，即MI，采用深度卷積和點卷積分別獨立提取并交互融合不同尺度的特征。在此模塊基礎上，提出輕量級的多尺度交互網絡，即MINet，對表面缺陷的工業物件進行實時顯著目標檢測。

TMM

Alignment-Free RGBT Salient Object Detection: Semantics-guided Asymmetric Correlation Network and A Unified Benchmark

code
Abstacrt：目前需手動對齊多模態，本文首次在沒有手動對齊的情況下訓練網絡。具體說，提出一個語義引導的非對稱關聯網絡，即SACNet，由兩部分組成：1）非對稱關聯模塊，利用語義語義引導注意力建模非對齊顯著區域的跨模態相關性；2）關聯特征采樣模塊，根據RGB特征對熱力圖特征進行采樣，進行多模態特征集成。除此之外，作者構建了一個基準數據集，即UVT2000，該數據集包含直接從各種真實場景中獲取的2000對RGB和熱圖像對，無手動對齊，以促進無對齊RGB-T SOD的研究。