这篇文章目前发表在arxiv，日期：20180309。
这是一篇针对多种综合性信息的视觉显著性检测的综述文章。
注：有些名词直接贴原文，是因为不翻译更容易理解。也不会逐字逐句都翻译，重要的肯定不会错过^_^。我们的目的是理解文章思想，而不是为了翻译而纯粹翻译。翻译得不好，敬请包涵O(∩_∩)O~ 欢迎同道中人QQ交流：1505543113
abstract：
随着采集技术（ acquisition technology）的发展，许多综合性信息（comprehensive information）诸如depth cue, inter-image correspondence, or temporal relationship都能够被我们获取，来实现后续的RGBD saliency detection，co-saliency detection或者 video saliency detection。
RGBD saliency detection模型主要通过组合深度图的有关深度信息来实现对显著性区域的抽取。
co-saliency detection模型引入图像间对应约束（inter-image correspondence）来找到一个图像组中共同的显著性目标。
video saliency detection模型的目的是定位一个视频序列中具有动作相关性的显著性目标，这个模型同时考虑了运动线索和时空约束（ which considers the motion cue and spatiotemporal constraint jointly）。
在这篇文章中，作者阐述了不同类型的显著性检测算法，总结了现存算法所提出的重要观点，并且讨论了它们尚存的一些问题以及未来工作的发展。另外对数据集和算法质量评估做了简要介绍。还开展了有关实验分析和讨论，对不同显着性检测方法进行了整体概述。
1 introduction
这篇文章主要集中讨论最近几年的显著性目标检测方法。（本人研究显著性检测暂时是为自己后续的弱监督图像语义分割课题服务，所以，当下先只关注图像方面的显著性检测。）
人类的视觉系统不但能感知目标的外在信息，实际上，也能被场景的深层信息（depth information）所影响。深度图（ depth map）为RGBD显着性检测奠定了数据基础，它也能为复杂背景中的前景目标提取提供更好的形状表示信息和其它有用的属性。