太阳

SUN:使用自然统计的显著性贝叶斯框架。当我们试图通过视觉引导来优化视觉系统的定义时。该模型是一个贝叶斯框架,其中自底向上的显著性自然地表现为视觉特征的自信息,而整体显著性(自上而下的信息与自下而上的显著性相结合)是在搜索目标时特征与目标之间的逐点互信息。我们框架的一个实现表明,我们模型的自底向上的显著性映射在预测人们在自由观看时的注视时的性能和现有算法一样好或更好。与现有的显著性度量依赖于所观看的特定图像的统计信息不同,我们的显著性度量是从自然图像统计中导出的,这些统计信息是预先从一组自然图像中获得的。因此,我们将我们的模型称为SUN(使用自然统计的显著性)。基于自然图像统计的显著性度量,而不是基于单个测试图像,为人类观察到的许多搜索不对称性提供了直接的解释;单个测试图像的统计结果导致预测与这些不对称性不一致。在我们的模型中,显著性是局部计算的,这与早期视觉系统的神经解剖学是一致的,结果是一个有效的算法,自由参数很少。


zbMATH参考文献(13篇文章引用)

显示结果1到13,共13个。
按年份排序(引用)

  1. Singh,Surya Kant;Srivastava,Rajeev:基于概率对比的复杂显著目标检测(2019)
  2. Calden Wloka,Toni Kunić,Iulia Kotseruba,Ramin Fahimi,Nicholas Frost,Neil D.B.Bruce,John K.Tsotsos:SMILER:实验研究显著性模型实现库(2018)阿尔十四
  3. Sen,Debashis;Kankanhalli,Mohan S.:早期生物视觉启发的图像显著性计算系统(2018)
  4. Liu,Qingjie;Huang,Di;Wang,Yunhong;Wei,Hong;Tang,Yuanyan:基于贝叶斯显著性模型的建成区检测(2017)
  5. Bhattacharya,Bhaskar;Hughes,Gareth:关于接收器工作特性曲线的形状特性(2015)
  6. 祁,魏;程,明;博吉,阿里;卢,胡川;白,连法:SaliencRank:用于显著目标检测的两阶段流形排序(2015)
  7. 田永红;李,贾;于,水;黄铁军:学习复杂场景中前景物体分割的互补显著性先验(2015)
  8. Li,Jia;Tian,Yonghong;Huang,Tiejun:统计先验的视觉显著性(2014)
  9. 侯伟龙;高新波;陶大成;李雪龙:基于信息差异的视觉显著性检测(2013)ioport公司
  10. 李志东;王卫红;王,杨;陈,方;王,易:原始物体的视觉跟踪(2013)ioport公司
  11. Liang,Zhen;Chi,Zheru;Fu,Hong;Feng,Dagan:基于内容敏感超图表示和划分的显著目标检测(2012)ioport公司
  12. Vikram,Tadmeri Narayan;Tscherepanow,Marko;Wrede,Britta:基于随机矩形区域抽样的显著性地图(2012)ioport公司
  13. Bhattacharya,Bhaskar;Hughes,Gareth:接收机工作特性曲线的对称性和信号和噪声总体之间的Kullback-Leibler发散(2011)