归纳显著性检测与目标分割的主要研究方向及主要方法

归纳显著性检测和目标分割是计算机视觉领域中的两个重要问题。下面分别介绍它们的主要研究方向及主要方法：

1. 归纳显著性检测

研究方向：
归纳显著性检测旨在找出图像中最具有显著性的区域，即能够吸引人眼的区域。其主要研究方向包括：

(1) 基于全局视觉注意力模型的归纳显著性检测；
(2) 基于局部对比度的归纳显著性检测；
(3) 基于背景先验知识的归纳显著性检测；
(4) 基于深度学习的归纳显著性检测。

主要方法：
归纳显著性检测的主要方法包括：

(1) 基于图像亮度、颜色、纹理等特征的传统方法；
(2) 基于全局视觉注意力模型的方法，如Itti-Koch模型、GBVS模型等；
(3) 基于局部对比度的方法，如Laplacian金字塔方法、CSD方法等；
(4) 基于背景先验知识的方法，如GMM方法、MRF方法等；
(5) 基于深度学习的方法，如卷积神经网络(CNN)方法、循环神经网络(RNN)方法等。

2. 目标分割

研究方向：
目标分割旨在将图像中的目标从背景中分离出来。其主要研究方向包括：

(1) 基于像素级别的目标分割；
(2) 基于区域级别的目标分割；
(3) 基于边缘级别的目标分割；
(4) 基于深度学习的目标分割。

主要方法：
目标分割的主要方法包括：

(1) 基于颜色、纹理、形状等特征的传统方法；
(2) 基于图像分割算法的方法，如基于图割的方法、基于聚类的方法等；
(3) 基于图像边缘检测算法的方法，如Canny算法、边缘增强算法等；
(4) 基于深度学习的方法，如卷积神经网络(CNN)方法、循环神经网络(RNN)方法等。