阅读图像显著性检测论文七：Graph-Based Visual Saliency

最新推荐文章于 2024-03-13 15:14:44 发布

熊彬程的博客

最新推荐文章于 2024-03-13 15:14:44 发布

阅读量8.1k

点赞数 5

CC 4.0 BY-SA版权

分类专栏：图像显著性检测

本文链接：https://blog.youkuaiyun.com/xbcreal/article/details/53910696

本文详细介绍了经典论文Graph-Based Visual Saliency中的图像显著性检测算法，该算法分为特征提取、马尔可夫链处理和激活映射归一化与融合三个步骤。通过对特征图构建有向全连接图，并应用马尔可夫方法，确定像素的显著性。论文在显著性检测领域具有重要影响力，涉及对Markov Chain的理解。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在前文中提到过说有一篇基于图模型来做显著性检测的经典论文以后找机会介绍的，前段时间忙于考试，现在有终于空了些时间可以介绍这篇论文了。这篇文章在谷歌上的引用次数已经达到2000+了，其经典性毋庸置疑。在正式介绍这篇论文之前，发现了一个小小的彩蛋。如果你阅读过本系列博客介绍的论文一、即将介绍的这篇论文以及侯晓迪2012年在加州理工发表在PAMI上的一篇显著性检测的文章“Image Signature: Highlighting Sparse Salient Regions”的话(后面会写一篇这篇文章的阅读笔记)，你会发现三者这么经典的论文中都出现了同一个人的名字，那就是Christof Koch，是不是感觉此人是个bug。。另外，在阅读这篇论文之前，读者需要对Markov Chain(马尔可夫链)有一些基本的了解，链接如下，需要翻墙(https://zh.wikipedia.org/wiki/马尔可夫链)，不然看这篇文章可能会有点比较吃力。

这篇文章将显著性检测的算法流程分为了3步，如下：

1. extraction：特征提取，这里生成的就是feature map（原文用了feature vector）了。（和itti几乎一样）

2. activation： form activation maps using the feature vectors。
3. normalization/combination：用多个activation maps生成一个single map，就是saliency map。

而文章本