11、视觉显著性计算：从对象到学习的多维度探索

视觉显著性计算：从对象到学习的多维度探索

1. 对象基视觉显著性计算

1.1 框架灵活性与效果

对象基视觉显著性计算框架具有灵活性。若掌握显著目标的特定先验知识（如可能出现在图像中的显著目标），可在相关公式中添加新的惩罚项，融入这些先验知识以优化估计的显著性图。而且，估计的显著性图与输入图像大小相同，能很好地保留显著对象的边界，这对需要从边界提取特征的对象分析技术十分有用。

1.2 模型比较实验

为验证对象基显著性模型的有效性，采用包含 1000 张有明显显著对象图像的 ASD 基准进行实验。参与比较的 14 种视觉显著性模型大致分为两类：
- 基于位置的模型 ：包含 8 种方法，用于检测图像中的显著位置。
- 基于对象的模型 ：包含 6 种方法，用于从图像中检测显著对象。

使用召回率（Recall）、精确率（Precision）和 Fβ 来评估提取显著对象的性能。所有其他显著性图使用特定阈值进行二值化处理，Fβ 的计算公式为：
[F_{\beta} = \frac{2 \times Recall \times Precision}{Recall + Precision}]

算法	召回率	精确率	Fβ
Itti et al (1998)	0.29 <