5、视觉显著性计算：评估方法与模型分类

视觉显著性计算：评估方法与模型分类

视觉显著性计算在计算机视觉领域有着重要的地位，它能够帮助我们理解人类视觉系统如何快速聚焦于场景中的重要部分。下面将详细介绍视觉显著性模型的评估方法以及不同类型的模型。

视觉显著性模型的评估方法

视觉显著性模型的评估方法多种多样，这些方法可以从不同方面衡量模型的性能，为了进行公平的评估，尤其是对于基于位置的模型，通常需要将多种指标结合使用。

直接评估

• 检测目标前的误检次数 ：例如，Itti 和 Koch（2001）计算了预测注视点到达目标之前的平均误检次数。
• 前五注视点检测到的显著对象数量 ：Guo 等人（2008）统计了在前五注视点中检测到的显著对象的数量。

间接评估

在一些基于显著性的应用中，如对象识别（Parikh 等人，2008），可以通过测量使用或不使用显著性模型时识别性能的提升来间接评估显著性模型的性能。

然而，评估过程中存在中心偏差效应。从摄影师的角度来看，拍摄照片时，显著目标通常会被放置在视野中心附近，这种现象在大多数互联网图像中都能发现。从照片观看者的角度来看，他们也倾向于从图像中心开始搜索目标。特别是在一些心理实验中，观看者有时会被要求注视屏幕中心开始实验。因此，人类注视点或显著对象出现在图像中心附近的概率明显高于边缘。这种偏差很强，模型可以通过中心偏差重新加权或裁剪边缘等方式轻松获得高分。

为了利用这种偏差，有人提出了一种修正的 ROC 指标，通过以中心偏差的方式对未注视位置进行重新采样，使注