92、显著性检测与日常活动识别研究

显著性检测与日常活动识别研究

显著性检测实验分析

1. 实验二讨论
   • 数据集转换与算法性能 ：在“DUT - SOS”和“THUS - SOS”配置转换中，多数算法在THUS1000数据集上表现更佳，唯有IT算法在THUS0000数据集上性能较低。“DUT - SOD”和“MSRA - SOD”数据集转换时，除IT算法外，其他算法性能普遍提升。CB算法在THUS10000数据集上表现优于GB，尽管在DUT - ORMON数据集上其性能不如GB。这一排名变化源于两个数据集所含刺激的不同性质。THUS数据集源自用于显著目标分割任务的MSRA数据集，其刺激常包含易区分的显著目标；而DUT - ORMON数据集的刺激更具一般性，显著目标并非总能清晰区分。
   • 数据集特点与算法适用性 ：由于CB算法专为显著目标分割设计，利用了上下文和形状先验信息，当这些信息可被利用时，它更有可能发挥良好作用。因此，如果处理的任务是在受控条件下（目标与上下文易区分）进行显著目标检测，THUS数据集适合评估；而DUT - ORMON数据集更具挑战性，可用于评估旨在在约束较少环境下工作的算法性能。
   • 眼动数据对比 ：“MIT - VAM”和“DUT - VAM”的转换表明，DUT - ORMON中眼动注视的AUC值与MIT数据集上的值一致且通常更高。这是因为两个数据集的观察者任务均为自由观看，且刺激（具有可变上下文的自然图像）相似。这一发现强调了预测眼动注视比预测显著目标更明确，因为预测显著目标涉及主题知识或场景上