21、视觉显著性应用：从模型训练到实际场景的探索

视觉显著性应用：从模型训练到实际场景的探索

1. 训练视觉显著性模型时消除标签歧义

在训练视觉显著性模型时，大多数用户数据往往不准确或不充分，难以直接用于模型训练。为解决这一问题，提出了两种方法来应对标签歧义。

• 处理视频注视点歧义 ：将稀疏的正样本和未标记数据嵌入到成本敏感的排序学习框架中，有效解决视频注视点的歧义问题。
• 处理图像注视点或标记矩形歧义 ：提出多实例排序学习框架，通过迭代恢复正确的实例标签并训练显著性模型。该学习算法能够聚焦于真实目标和真实干扰项之间的相关性。

大量实验和对比表明，这两种方法在整体性能上取得了显著提升。生成的显著性图通常“噪声”更少，因为成功去除了伪目标；同时，由于去除了伪干扰项，整个显著对象能够更加突出。这些显著性图有望促进基于图像的应用，如目标分割或基于内容的图像检索。

2. 显著性应用概述

随着互联网的快速发展，图像和视频的数量呈爆炸式增长。为满足用户的各种需求，开发智能的计算机视觉和多媒体应用显得尤为重要。视觉显著性在这些智能应用中起着关键作用，主要体现在以下两个方面：
- 与重要内容紧密相关 ：显著性子集对应着图像或视频的重要内容，关注这些子集可以使处理结果与图像和视频的主要内容紧密相关。
- 反映用户兴趣 ：有趣的目标通常具有视觉显著性，因此视觉显著性在一定程度上可以反映用户的兴趣。强调显著内容可以使应用根据用户的兴趣提供针对性的服务。

接下来将介绍几类基