本资源是一个基于卷积神经网络和全局优化的协同显著性检测算法的研究论文。该论文针对当前协同显著性检测问题中存在的协同性较差、误匹配和复杂场景下检测效果不佳等问题，提出了一种基于卷积神经网络和全局优化的协同显著性检测算法。
该算法首先基于VGG16Net构建了全卷积结构的显著性检测网络，该网络能够模拟人类视觉注意机制，从高级语义层次提取一幅图像中的显著性区域。然后，在传统单幅图像显著性优化模型的基础上构造了全局协同显著性优化模型。该模型通过超像素匹配机制，实现当前超像素块显著值在图像内与图像间的传播与共享，使得优化后的显著图相对于初始显著图具有更好的协同性与一致性。
此外，该论文还创新性地引入图像间显著性传播约束因子来克服超像素误匹配带来的影响。在公开测试数据集上的实验结果表明，所提算法在检测精度和检测效率上优于目前的主流算法，并具有较强的鲁棒性。
该论文的主要贡献包括：
1. 提出了一种基于卷积神经网络和全局优化的协同显著性检测算法，该算法能够解决当前协同显著性检测问题中存在的协同性较差、误匹配和复杂场景下检测效果不佳等问题。
2. 该算法能够模拟人类视觉注意机制，从高级语义层次提取一幅图像中的显著性区域。
3. 该算法能够实现当前超像素块显著值在图像内与图像间的传播与共享，使得优化后的显著图相对于初始显著图具有更好的协同性与一致性。
4. 该算法能够克服超像素误匹配带来的影响，具有较强的鲁棒性。
该论文的主要知识点包括：
1. 协同显著性检测：该论文提出了一种基于卷积神经网络和全局优化的协同显著性检测算法，该算法能够解决当前协同显著性检测问题中存在的协同性较差、误匹配和复杂场景下检测效果不佳等问题。
2. 卷积神经网络：该论文基于VGG16Net构建了全卷积结构的显著性检测网络，该网络能够模拟人类视觉注意机制，从高级语义层次提取一幅图像中的显著性区域。
3. 全局优化：该论文构造了全局协同显著性优化模型，该模型能够实现当前超像素块显著值在图像内与图像间的传播与共享，使得优化后的显著图相对于初始显著图具有更好的协同性与一致性。
4. 图像间显著性传播约束因子：该论文创新性地引入图像间显著性传播约束因子来克服超像素误匹配带来的影响。
该论文的主要应用领域包括：
1. 图像处理：该论文的算法可以应用于图像处理领域，例如图像分割、图像分类、目标检测等。
2. 计算机视觉：该论文的算法可以应用于计算机视觉领域，例如目标检测、跟踪、图像理解等。
3. 机器学习：该论文的算法可以应用于机器学习领域，例如深度学习、卷积神经网络等。
该论文提出了一种基于卷积神经网络和全局优化的协同显著性检测算法，该算法能够解决当前协同显著性检测问题中存在的协同性较差、误匹配和复杂场景下检测效果不佳等问题，并具有较强的鲁棒性和广泛的应用前景。
