本博客为博主原创,转载请注明地址:http://blog.csdn.net/xbcreal/article/details/53494866
本文将介绍一种新的显著性检测方法,新是相对于这个显著性检测的博客系列而言的,按发表年限看是不新的,是出自于CVPR 2009的一篇文章,至今引用次数达到1854次,由此可见这也是一篇非常经典、值得我们去学习作者的思想的一篇文章,并可以将其用到实际的项目中去。本文也将沿袭上一篇文章的风格,主要介绍论文的核心部分,即这个模型是怎么样的,以及一些具体的细节。同时,为了让全文行文流畅,不至于因为仅有一个模型的介绍而显得过于晦涩,所以还会摘取论文中一些语句来使得这篇博客变得更为连贯。这也是笔者对这种阅读论文后的所写博客提出的一种要求和规范,希望能给读这篇博客的人带来一种既能快速了解整篇文章的核心又能有比较轻松的体验的途径。
在摘要部分,作者对本文所提的显著性检测方法做了一个大致的介绍,意思是说:这个方法使用的特征是颜色特征和亮度特征,相比之前的一些方法的优点在于计算量小从而计算快、边界处的显著性也非常好、产生的显著性图和原图一样大(有的显著性方法产生的显著性图和原图大小不一样,如果你看过我的第一篇显著性检测论文的话,你会发现在那篇论文中所提到的显著性检测方法实际上是把图像以原图最大,然后向下采样构成图像金字塔,最后是在尺度为4的那个图像上生成的显著性图,这就导致显著性图和原图大小不一致。)最后还和五种表现优秀的显著性检测算法做了比较,在真值评价和分割任务中都取得了最好的检测准确率和召回率。(准确率和召回率的定义见我的一篇转载的博客)。
在介绍本文所提出的方法之前,先了解下之前已有的一些优秀的方法。首先将这些方法大致分为三大类:
1、基于生物视觉的
2、纯粹的需要大量计算的
3、以上二者的结合
本系列博客的第一篇论文提出的Itti模型就是基于生物视觉的,以及Frintrop等人在Itti模型的基础上提出的方法也是基于生物视觉的,这篇文章笔者并没有仔细了解,所以只贴出链接方便读者下载,不做过多介绍。纯粹依赖大量计