对高层特征和低层特征分别使用通道注意力和空间注意力来获得更精确的细节。 除了边缘信息之外，还有一些其他信息同样被用来增强显著性目标检测的效果，如： （1）S4Net [10]：对由骨干网络提取出的特征，S4Net除了设计显著性特征分支外，还使用了mask R-CNN结构来设计额外的分支。
尽管现有的显著性目标检测模型检测性能不错，但是在显著性物体的边缘的检测上仍然不够准确，尤其是在前景和背景对比度低，背景复杂等等情况下。 基于此，众多研究者提出了自己的边缘强化方案，这些方案大致可以划分为两种：（1）通过引入外部知识库（即新的边缘数据集）的方法来强化模型在显著性目标边缘上的检测；（2）通过设计边缘敏感损失函数，来使模型更关注在边缘上的像素点的预测。
回顾2019年，显著性目标检测在边缘上做了许多工作，同时也提供了许多新的数据集，其中不乏一些分支领域的开山之作。 本文可能没有将所有顶会的显著性论文包含在内，如有疏漏还请大家见谅。
传统的显著性目标检测任务是一种二值分割任务，2019年，许多研究者在传统任务上进行拓展，使显著性目标检测面临更多新的挑战。 按使用场景不同，本节分为（1）视频级显著性目标检测；（2）RGBD显著性目标检测；（3）高分辨率显著性目标检测；（4）弱监督显著性目标检测。
