突出的物体探测旨在模拟人类的视觉特征，并从图像或视频中提取最重要的区域。这些突出领域的内容被称为突出的物体。

最近，基于对流神经网络的深度学习方法由于其强大的特征提取能力而成功地突破了传统方法的局限性。它们被广泛用于计算机视觉领域，甚至成功地用于突出的物体探测。

由中国科学院西安光学和精密机械研究所的董永生教授领导的一个研究小组提出了一个新的电子信息引导分级特征融合网络，以实现精确的显著物体探测。

在这一研究中，提出的方法采用深入学习的方法来制定突出的检测策略。

低边缘信息用于指导突出的地图制作。然后，采用一对一的分级监督战略来生成高级语义信息和低级别的信息。最后，对分级特征信息进行了整合，以实现准确的显著物体探测。研究结果发表在《 IEEE图像处理交易》上。

由于显著性检测是一项相对基本的任务，可以提高计算效率，因此在计算机视觉的许多领域发挥了重要作用，如前景提取、视觉跟踪、场景分类、语义分割、视频总结和图像检索。多年来，由于人工智能的爆炸，研究人员对这一研究领域给予了更多关注。