14、基于知识的显著性模型：原理与应用

基于知识的显著性模型：原理与应用

1. 学习型方法概述

在视觉显著性计算领域，与任务驱动的方法不同，一些学习型方法致力于学习与特定任务无关的先验知识，例如将复杂对象的各个部分作为一个整体进行处理的知识。通常认为，这些先验知识对应于视觉系统中自上而下的强制过程。

在大多数现有方法中，这种自上而下的先验知识作为“刺激 - 显著性”函数，在特征选择阶段对输入的视觉刺激进行选择、重新加权和整合。以下是一些典型的学习型方法：
- 特征组合权重学习 ：Itti 和 Koch 提出了一种监督方法来学习特征组合的最优权重；Navalpakkam 和 Itti 将自上而下的增益优化建模为最大化信噪比，通过最大化目标显著性与干扰项显著性的比率来学习特征组合的线性权重。
- 基于机器学习的模型 ：Kienzle 等人提出了一种非参数方法，从人眼对图像的注视点学习视觉显著性模型，使用支持向量机（SVM）根据局部强度确定显著性；Judd 等人引入了多个低层次、中层次和高层次特征，使用线性 SVM 组合这些特征并计算显著性值；Peters 和 Itti 提出了一种学习全局场景特征与眼密度图之间投影矩阵的方法；Lu 等人收集了大量视觉特征，包括局部能量、现有自下而上模型的显著性值、汽车和行人检测器、人脸检测器、凸度图等，用于训练上下文感知模型进行图像显著性计算；Zhao 和 Koch 提出了一种提升方法，从大量特征池中迭代训练弱分类器，然后用线性权重融合这些弱分类器以生成视觉显著性模型。
- 视频相关方法 ：Kienzle 等人提出了一种从眼注视点学习一组时间滤波器的方法，用于在视频中找