37、自适应白化的动态显著性研究

自适应白化的动态显著性研究

在视觉研究领域，如何准确检测静态和动态的显著性一直是一个重要课题。本文将为大家介绍一种通过对视觉数据进行自适应白化来统一计算显著性的方法——AWS - D模型，它在预测人类注视点方面表现出色。

1. 视觉注意力模型概述

选择性视觉注意力能让灵长类动物从大量传入的视觉数据中挑选出与当前行为最相关的部分。视觉注意力既受到视觉刺激的自下而上的吸引，也受到任务的自上而下的影响。过去十年，大量研究致力于开发自下而上显著性的计算模型，旨在描述和预测人类视觉系统行为，同时减轻计算机视觉应用的计算负担。

视觉注意力模型的相关文献迅速增长，这些模型可以根据基本假设进行分类。这里我们重点关注动态显著性地图模型，这类模型源于特征整合理论，其共同点是存在与某些刺激特征相关的特征地图。以下是一些典型的模型：
- Itti系列模型 ：如Itti/Itti - CIOFM/Itti - Surprise，基于先前的生物描述模型，通过添加运动显著性地图将运动纳入处理特征列表。
- SUNDAY模型 ：从自然场景中提取时空统计信息，并与传入信息进行比较。
- SEOD模型 ：利用每个像素与其周围环境的自相似性来预测显著性位置。
- GBVS模型 ：采用基于差异和图的算法来找到一种平衡分布，从而生成显著性地图。

最近的研究表明，对传入视觉数据进行短期统计自适应可以很好地衡量空间显著性，这种方法在预测人类自由观看一组图像时的注视点方面优于先前的模型。本文提出，对视觉数据进行自适应白