Boosting 自下而上和自上而下的视觉特征的显著性估计.

www.themegallery.com
二、学习一个视觉显著性的模型
上面的公式是基于假设特点可以出现在所有的空间位置 （即，x和f是相互独立的，则p（f|x）=p（f））。我们进 一步假设，在S的先验概率（即，位置突出与否）都是平 等的。上式右边的第一项测量由于上面的图像的像素的特 征的显著性，而第二项措施显著性的基础上的像素的空间 位置。我们学习使用p（s|f）分类标注数据（倾向的位 置）。我们估计p（s|x）：
三、实验程序 四、 模型比较和结果 五、讨论与小结 六、读者小结
www.themegallery.com
5
6 7
摘要
自由观赏自然场景时，最好的视觉显著模型尽管有显著的 最新进展，在预测眼睛注视与人类的表现仍然落后。多数 模型是基于低层次的视觉特点，自顶向下的特点的重要性 尚未得到充分探讨或建模。在这里，我们结合了低级别的 功能，如方向，颜色，强度，以前最好的自下而上的模式， 采用自顶向下的视觉认知功能（例如，脸，人类，汽车等） 的显著图，使用回归、 SVM 和 AdaBoost 分类，从这些特 点里学习直接映射这些功能的的眼睛注视。通过广泛的试 验三个基准眼球跟踪数据集，使用三种流行的评价分数， 我们展示了：我们的Boosting模型优于27个最先进的模型， 是迄今为止在注视预测最准确的模型。此外，我们的模型 没有如区域分割这样复杂的图像处理，成功地检测到的最 显著的一个场景中的对象。
www.themegallery.com
一、介绍
视觉注意的过程中一直是许多心理学，神经科学，计算机 视觉等研究的对象。相应地，一些计算模型已经在机器学 习，计算机视觉和机器人领域引起关注。几个应用程序也 已经被提出，并进一步提出了在这一领域的兴趣，包括：， 自动创建拼贴[5]，视频压缩[6] [9]，非真实渲染[8]，广告 设计[10]。 自下而上的显著性的模型经常被评估，在自由观看任务中， 预测人的注视。今天，许多显著性模型基于各种各样令人 信服的技术，仍然每年都会有人引进新模型。然而，在预 测眼睛注视时，模型和人类间观察员（IO）有很大的差距。 IO模型“对于一个给定的刺激的输出，通过整合眼睛注视 建成地图，而不是观看那个刺激。该模型预计将提供预测 模型的准确度的程度，不同的人可能是对方的最好的预测 者。上面提到的模型和人类之间的差距主要是由于自顶向 下的因素的作用（参照图1）。
www.themegallery.com
一、介绍
www.themegallery.com
一、介绍
它被认为是自由观看的早期阶段（前几百毫秒），主要是 基于图像醒目性的注意，后来，高层次的因素（例如，行 动和事件）指导眼球运动[53][39]。这些高层次的因素可 能不一定转化为自下而上的显著性（例如，根据颜色，强 度或方向），应考虑分开。举例来说，一个人的头部可能 在其余的场景中不会特别突出，但可能会引起人们的注意。 因此，结合高层次概念和低层次的功能扩展现有模型，并 达到人类的表现似乎是不可避免的。
www.themegallery.com
一、介绍
相关工作 ：显著性模型简介
显著性模型一般可以分为认知（生物）或计算（数学）， 而有些发生在之间。几款根据Itti等人的自底向上的显著性 模型[4]。这种模型是先执行Koch和Ullman的计算架构基 于特征整合理论[15][16]。在这个理论中，图像被分解为 低一级的属性，如跨越几个空间尺度，然后归一化和线性 或非线性相结合，形成一个主显著图的颜色，强度和方向。 这一理论的一个重要组成部分是作为图像区域及其周围环 境的独特性，显著性定义中心环绕的想法。这个模型还提 出一个合适的架构适应视觉搜索理论和对象检测模型（例 如，[18]）。基于去相关的神经反应，Diaz等人[29]提出 了一种有效的模型被称为自适应白化显著性（AWS）的 显著性。Le Meur等[33]，Marat等[36]，Kootstra等[17]提 出的模型是其他以认知的调查结果为导向的模型。 另有，基于概率模型、基于频率模型等，这里不一一介绍。
Leabharlann Baidu
www.themegallery.com
二、学习一个视觉显著性的模型
与手动设计显著性措施相比，我们按照训练分类的一种学 习方式，直接从人眼跟踪数据。其基本思路是的加权组合 的功能，其中权重学会从一个大的库对自然图像的眼球运 动，可以增强显著性检测比未经调整组合特征映射。学习 方法也有容易适用于通过提高要素权重目标对象的可视化 搜索的好处。 在下面，我们提出了一个朴素贝叶斯公式的显著性估计。 让我们是一个二元变量表示的显著位置的图像像素X =（X ，Y）与特征向量f，其中“s等于1”表示这个像素是突出 的（也就是说，它可以吸引人类的眼睛）和零。像素x的 概率是显著的可写为：
www.themegallery.com
一、介绍
由[1]的启发，我们提出了三个贡献显著性的学习。首先， 我们结合最好的两个方面：自下而上和自上而下的因素。 通过比较29个显著性模型，我们整合功能，最好的自下而 上的模式已经发现预测与自上而下的因素，如人脸，人， 车，等人的注视，培养几个线性和非线性分类从这些功能 中的录制品。第二，我们更强调内部零件更准确的显著性 检测瞩目的对象（例如，人类上部）。通过大量的实验， 我们证明了我们的相结合的方法，超过以前显著的学习方 法（[1] [48]），以及其他最新的方法， 在3个数据集上， 使用3个评价得分。第三，我们证明了我们的模型能够在 一个场景中检测到最突出的对象，接近主流的显著区域检 测的表现。
Boosting Bottom-up and Topdown Visual Features for Saliency Estimation
Boosting 自下而上和自上而下的视觉特征的显
著性估计
www.themegallery.com
LOGO
主要内容
1 2 摘要 一、简介
3
4
二、学习一个视觉显著性的模型
其中，d（X，X0）是归一化的像素x从中心像素的X0的距离。