Stereoscopic image saliency detection optimization: A multi-cue driven approach
前文主要介绍2d显着性检测和3d显着性检测的发展和区别。
主要的贡献是:
1 、整合多种线索来优化原始的显着性图,全连接的CRF来保证当连个像素之间有相似的深度、颜色。。等时会呈现相似的显著性值。
2、MCDO算法能够优化各种当前的3d显着性算法性能
这里用全连接的条件随机场是由于CRF能够考虑全局性来进行分类,在考虑这个像素点的显着性值的时候也会参照其他像素点。
这里的边上特征函数即转移特征函数是本文里面所提到的二元函数,状态特征函数是本文所提到的一元函数:θili=-logφli
φli 表示的是初始显着图上的value,这里取对数加负号,是由于
这里取了负号而且求了exp指数,我们是要求最终的概率所以这里
是一个分数。
转移函数:
是度量两个像素之间的相似度的,k是高斯核,本来是度量距离的,不过本文中在指数部分加了负号,所以可以用来衡量相似度。
分别表示空间位置,color,以及深度信息对相似度的度量。不过我觉得公式这样写也行
分别以不同的权重来衡量位置,color,深度对相似度的贡献。
后面是本文对求随机场概率的极大似然的求法。用的是平均场推断。这里写一下推理过程。
- KL divergence (KL散度):
KL散度是用来定义两种分布的距离,他有如下性质:KL(p,q) ! = KL(q,p)
定义公式我们将这个叫KL散度
- 推断:
P(z|x) =
p(x) =
ln p(x) = ln p(x,z) – ln q(z) –[ln p(z|x) – ln q(z)]
= ln[] – ln[
]
以q(z)分布对两边求期望:
Ln p(x) =--
= +
我们把等式的前部分称为ELOB,后面的可以看到他是一个KL散度KL(q,p(z|x))
当我们的散度最小的时候ELOB最大,所以我们尽可能找到一个简单的分布q来逼近p
再去计算q的极大似然函数
评价指标:
CC 、NSS 、KL、SIM、PR-AUC、ROC-AUC、maxF、Smeasure