MCDO

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。

1. 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

1. 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