基于深度學(xué)習(xí)的顯著性目標(biāo)檢測(cè)方法又可以分為兩類，第一類模型使用多層感知機(jī)（MLPs）來進(jìn)行顯著性目標(biāo)檢測(cè)，第二類模型則使用完全卷積神經(jīng)網(wǎng)絡(luò)（FCN）來進(jìn)行顯著性目標(biāo)檢測(cè)。 在第一類模型中，輸入圖像通常被過度成單個(gè)或多尺度的小區(qū)域，然后將CNN用于提取圖像中的高級(jí)特征，該高級(jí)特征隨后被反饋回MLP以確定每個(gè)小區(qū)域的顯著性值。 與完全卷積神經(jīng)網(wǎng)絡(luò)方法不同的是，第一類模型雖然使用CNN提取高級(jí)特征，但由于MLP的使用，CNN所提取的特征中的空間信息并不能被保留。 而第二類基于完全卷積神經(jīng)網(wǎng)絡(luò)（FCN-based）的模型則首先在 [9]中被開創(chuàng)性地提出，被用于解決語義分割問題。 由于顯著對(duì)象檢測(cè)本質(zhì)上是一種分割任務(wù)，因此許多研究人員采用基于FCN的體系結(jié)構(gòu)，因?yàn)樗鼈兙哂斜４婵臻g信息的能力。