显著性检测模型应满足哪些标准?
提到一般认为,良好的显著性检测模型应至少满足以下三个标准:1)良好的检测:丢失实际显著区域的可能性以及将背景错误地标记为显著区域应该是低的;2)高分辨率:显著图应该具有高分辨率或全分辨率以准确定位突出物体并保留原始图像信息;3)计算效率:作为其他复杂过程的前端,这些模型应该快速检测显著区域。 (1)Itti等人提出的最早、经典的的显著模型。
什么是视觉显著性检测?
视觉 显著性检测 (Visual saliency detection)指通过智能算法模拟人的视觉特点,提取图像中的显著区域 (即人类感兴趣的区域)。 视觉注意机制 (Visual Attention Mechanism,VA),即面对一个场景时,人类自动地对感兴趣区域进行处理而选择性地忽略不感兴趣区域,这些人们感兴趣区域被称之为 显著性 区域。
传统图像显著性检测方法的缺点是什么?
总的来说,传统方法使用大量的显著性先验信息进行图像显著性检测,主要依赖于手工制作的特征(hand-crafted features),而这些特征(1)可能无法描述复杂的图像场景和对象结构(2)无法适应新的场景与对象,泛化能力差,因此导致基于传统方法的显著性检测陷入瓶颈。 虽然手制特征允许传统显著性目标检测方法实时进行检测,但这些方法的缺点限制了它们在复杂场景下进行显著性目标检测的能力。
显著性目标检测模型检测性能怎么样?
尽管现有的显著性目标检测模型检测性能不错,但是在显著性物体的边缘的检测上仍然不够准确,尤其是在前景和背景对比度低,背景复杂等等情况下。 基于此,众多研究者提出了自己的边缘强化方案,这些方案大致可以划分为两种:(1)通过引入外部知识库(即新的边缘数据集)的方法来强化模型在显著性目标边缘上的检测;(2)通过设计边缘敏感损失函数,来使模型更关注在边缘上的像素点的预测。