按照学术论文的严格要求小修以下内容：传统的视频显著对象检测方法通常采用手工制作的特征来定位显著区域

，但是这些方法存在着一些局限性，如特征设计的主观性和局限性，难以适应各种场景和视频数据的变化等。近年来，深度学习技术的发展使得基于深度神经网络的视频显著对象检测方法成为了研究的热点。这些方法利用深度神经网络自动学习视频中的显著特征，从而实现对显著对象的检测。

然而，基于深度神经网络的方法也存在着一些问题，如网络结构设计的复杂性、训练数据的不足、算法的计算复杂度高等。为了解决这些问题，近年来出现了许多基于深度神经网络的改进方法，如基于多尺度融合的方法、基于注意力机制的方法、基于弱监督学习的方法等。

总之，基于深度神经网络的视频显著对象检测方法在实现高精度、高效率的显著对象检测方面具有广泛的应用前景。但是，未来的研究方向应该是进一步提升算法的性能和效率，同时解决算法的可解释性问题，以满足实际应用的需求。