本文提出了一种基于图结构和机器学习的电力传输网络动态IR丢失预测方法，减少了39.3%的预测误差，并实现545倍加速。同时，利用深度学习技术检测自然视频中的显著区域，优化网络参数可节约计算成本12倍。研究还展示了多种显著性检测模型在多个数据集上的优越性能。

本文探讨了多模态输入在RGB-T图像处理中的应用，提出了多种新方法以提高图像显著性检测和目标跟踪的性能。研究通过融合RGB和热成像数据，展示了在气体泄漏检测和目标跟踪中的有效性，实验结果表明新模型在准确性和鲁棒性上优于现有技术。

该研究提出了一种360度视频的时空摘要系统，通过显著事件检测生成简洁摘要。系统使用先进的显著性检测方法和视频生成组件，在多个数据集上评估其准确性和性能。此外，研究还提出了无监督的视频摘要方法和创新评估流程，显示出优于现有方法的效果。

本文提出了一种新型非刚性物体跟踪框架，利用完全卷积神经网络建模显著性先验，并通过多尺度机制生成显著性地图。该算法在显著性检测和视觉跟踪方面表现优异，适用于目标经历严重变换的情况，实验结果显示在多个数据集上取得最佳性能。

本文提出了一种新的弱监督显著性物体检测方法，结合自适应遮罩洪水填充算法和基于Transformer的模型进行训练。通过优化伪标签生成和引入非显著抑制方法，提升了检测性能。该方法在多个数据集上优于传统监督学习和完全监督模型，显示出在有限标注情况下的有效性。

本文提出了一种基于编码-解码结构的全局上下文聚合网络 (GCANet) 来实现轻量级表面缺陷的显著性检测。GCANet 引入了一个新颖的 Transformer 编码器和深度自注意 (DSA) 模块，捕获全局上下文信息。实验结果表明，GCANet 在准确性和运行效率之间取得了更好的平衡，在三个公开的缺陷数据集上取得了竞争性的结果。