11、视觉显著性计算：目标与学习驱动的方法

视觉显著性计算：目标与学习驱动的方法

1. 基于目标的视觉显著性计算

1.1 框架灵活性与优势

基于目标的视觉显著性计算框架具有灵活性。若已知显著目标的特定先验知识（例如图像中可能出现的显著目标），可直接在相关公式中添加新的惩罚项，将先验知识融入其中，以改善估计的显著性图。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，这对许多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

为验证各种基于目标的显著性模型的有效性，采用了包含1000张具有明显显著对象图像的ASD基准进行实验。在该基准上，对14种视觉显著性模型进行了比较，这些方法大致可分为两类：
- 基于位置的类别 ：包含8种检测图像中显著位置的方法。
- 基于目标的类别 ：包含6种从图像中检测显著对象的方法。

在比较中，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公式计算的智能阈值进行二值化，Fβ的计算公式为：
[F_{\beta} = \frac{2 \times Recall \times Precision}{Recall + Precision}]

以下是各种方法在ASD基准上的性能表现：
| 算法 | 召回率 | 精确率 | Fβ |
| — | — | — | — |
| Itti et al (1998) | 0.29 | 0.69 | 0.41 |
| Bruce and Tsotsos (2005) | 0.37 |