14、基于知识的显著性模型：图像显著性估计新方法

基于知识的显著性模型：图像显著性估计新方法

1. 引言

在图像显著性估计领域，传统的基于学习的方法虽然在小基准测试中表现出一定的潜力，但存在严重的过拟合风险。为了克服这一问题，一种新颖的贝叶斯方法被提出，该方法通过联合捕捉输入视觉刺激和从数百万张图像中无监督学习到的先验知识的影响，有效避免了过拟合问题。

2. 现有学习方法及其局限性

2.1 现有学习方法概述

与任务驱动的方法相比，一些基于学习的方法致力于学习与特定任务无关的先验知识，例如将复杂对象的各个部分视为一个整体进行处理的知识。这些先验知识通常对应于视觉系统中的自上而下的处理过程。

常见的基于学习的方法包括：
- Itti和Koch（2001b）提出的监督学习方法，用于学习特征组合的最优权重。
- Navalpakkam和Itti（2007）将自上而下的增益优化建模为最大化信噪比（SNR），通过最大化目标显著性与干扰物显著性之比来学习特征组合的线性权重。
- Kienzle等人（2007b）提出的非参数方法，从人类对图像的眼动注视点学习视觉显著性模型，使用支持向量机（SVM）根据局部强度确定显著性。
- Judd等人（2009）引入多种低级、中级和高级特征，使用线性SVM组合这些特征并计算显著性值。
- Peters和Itti（2007）提出的学习全局场景特征与眼密度图之间投影矩阵的方法。
- Lu等人（2012）收集大量视觉特征，包括局部能量、现有自下而上模型的显著性值、汽车和行人检测器、面部检测器、凸度图等，用于训练上下文感知的图像显著性计算模型。
- Zhao和Koch（2012）提出的提升方法，从大