显著性检测模拟人眼注意力机制,去识别现实场景中感兴趣的区域。它与人们日常生活密切相关,因此引起了相当大的关注适用于机器视觉,多媒体和娱乐等许多应用,例如图像分割、图像检索、视频监控、物体检测、甚至人脸素描合成等等。它已被广泛应用于计算机视觉的各个领域,包括视频分割,视频压缩,视频摘要甚至人脸素描合成等。传统的图像显著性检测算法已经成功开发出来,但是这些方法映射在视频显著性检测任务中却不令人满意,一方面图像显著性检测主要取决于对比度、梯度和纹理的计算,然而这些特征在视频场景中会发生不断地改变。另一方面与图像显著性检测相比,视频显著区域更加注重连续帧之间的信息。并且显著目标检测不仅模拟人的视觉注意力机制,而且依赖于人类对物体结构和运动线索的认知。目前,基于深度学习的图像和视频检测技术发展迅速,并且在许多实际任务中取得了较好的效果。首先,为了使神经元能够自适应地调整它们的感受也大小,本文Res Net网络的基础上设计了一种多尺度空间注意力模块,将尺度信息分别映射到注意力特征和空间特征,从而得到静态显著特征。其次,为了更强调目标动力学线索,并探索一个有效的特征来确定显著目标并同时捕获深度时间信息,本文重新设计了显著性位移感知模块。这种注意力方式,使用单独的标签进行训练和学习,根据网络中深层特征分辨率低置信度高的特点,注意力模型可以有效预测动态显著区域,从而引导整个网络发现完整的显著区域。这种多标签的实现方式,有效快速地捕捉运动线索,加快网络收敛并能显著地提高性能。然后,本文又建立一种交互式群组语义注意力模型,这种结构有效地表达空间显著特征局部和全局信息。最后,本文又设计了一个空时残差卷积LSTM网络,去提取显著目标的时间相关性。空间网络定位的初始显著目的标位置,而定位的准确性决定了时间网络在传播显著区域时的有效性。