在计算机视觉领域，显著性目标检测（Saliency Detection）和一般目标检测的区别主要体现在：1.目标定义不同；2.应用场景不同；3.技术难点不同；4.评价指标不同；5.典型方法不同。总的来说，显著性目标检测旨在识别图像中对人眼最显著的区域，而一般目标检测则旨在找出图像中特定类别的对象。
1.目标定义不同
显著性目标检测的目标是寻找图像中对人眼最显著、最能吸引注意的区域，无论这些区域包含何种对象。而一般目标检测的目标是在图像中检测出属于特定类别的对象，例如行人、车辆、狗等。
2.应用场景不同
显著性目标检测主要应用于内容理解和图像编辑等领域，例如图像摘要、图像修复、图像融合等。而一般目标检测则广泛应用于监控、自动驾驶、医疗图像分析等领域。
3.技术难点不同
显著性目标检测的难点在于如何准确地模拟人眼的注意力机制，识别出最能吸引注意的区域。而一般目标检测的难点在于如何准确地定位和识别出图像中的特定类别对象，尤其是在背景复杂、目标尺度和姿态变化大的情况下。
4.评价指标不同
显著性目标检测通常使用Precision-Recall曲线、F-measure等指标来评价检测结果的好坏。而一般目标检测则通常使用精度（Precision）、召回率（Recall）、AP（Average Precision）等指标。
5.典型方法不同
显著性目标检测的典型方法有Itti的显著性模型、DeepFix等。而一般目标检测的典型方法有R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD等。
延伸阅读
注意力机制在显著性目标检测中的应用
注意力机制是一种模拟人类视觉注意力的计算模型，它在显著性目标检测中发挥着重要作用。人的视觉系统在面对复杂的视觉环境时，通常会优先关注某些显著的、能引起注意的区域，这就是注意力机制。在显著性目标检测中，注意力机制被用来识别出图像中最能吸引人眼的区域。
近年来，深度学习技术的发展为注意力机制的研究带来了新的可能。例如，一些研究者提出了基于深度学习的显著性目标检测模型，这些模型能够自动学习图像中显著性信息的复杂模式，进一步提高了显著性目标检测的精度。
