13、基于学习的视觉显著性计算研究

基于学习的视觉显著性计算研究

1 刺激 - 显著性函数与算法迭代

在视觉显著性计算中，“刺激 - 显著性”函数的值应在 [0, 1] 范围内。例如，线性“刺激 - 显著性”函数可采用如下形式：
$\hat{f}_t (x) = \omega_t^T x$，其中 $0 \preceq \omega_t \preceq 1$ 且 $|\omega_t|_1 = 1$ 。
当使用该线性函数时，相关问题可通过二次规划高效求解。此外，还可使用径向基函数（RBF）作为非线性“刺激 - 显著性”函数：
$\hat{f}_t (x) = e^{-\gamma_t |x - \omega_t|_2^2}$，其中 $\gamma_t > 0$ 。
此时，相关优化问题可使用基于梯度下降的方法求解。这里，对应每个复杂任务的“刺激 - 显著性”函数可由 RBF 网络（即简单神经网络）近似，使任务相关模型具有生物学合理性。同样，也可采用其他非线性函数（如 Sigmoid 函数），并使用基于梯度下降的方法求解优化问题。

通过迭代更新组合权重 $W$ 和“刺激 - 显著性”函数 $F$ ，整体预测误差会逐渐减小：
$L\left{F^{(m)}, W^{(m)}\right} + \lambda \Omega\left{F^{(m)}, W^{(m)}\right} \leq L\left{F^{(m - 1)}, W^{(m - 1)}\right} + \lambda \Omega\left{F^{(m - 1)}, W^{(m - 1)}\right}$ 。
选择合适的 $\epsilon_{rov}$ 和 $\epsilon_{inter}$ ，优化目标有下